VERİ MADENCİLİĞİ İÇİN İSTATİSTİKSEL ÖĞRENME

Eğitmen:  Dr. Öğr. Üyesi Mustafa Gökçe Baydoğan

Referans Kitaplar:

  • An Introduction to Statistical Learning with Applications in R, Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani, Springer, NY, 2013

    (http://www-bcf.usc.edu/~gareth/ISL/ sitesinden indirilebilir.)

  • Elements of Statistical Learning : Data Mining, Inference, and Prediction, T. Hastie, R. Tibshirani, J. Friedman, Springer, NY, 2009

(http://www-stat.stanford.edu/~tibs/ElemStatLearn/ sitesinden indirilebilir.)

Ders Hakkında:

  • Veri madenciliği için kullanılan yöntemleri ele alınacaktır. Yaklaşımların ele alınan problemler özelinde avantaj ve dezavantajları tartışılıp, uygulamalar üzerinden değerlendirilmeleri yapılacaktır.
  • Örnekler R programlama dilinde olacaktır.

Gerekli Önkoşullar:

En az lisans seviyesinde alınmış istatistik/ekonometri dersi şarttır. Daha önceden ampirik modelleme üzerine alınmış regresyon analizi ya da deney tasarımı dersi faydalı olacaktır. Temel seviyede doğrusal (lineer) cebir bilgisi gereklidir.

Konular

Veri madenciliğine giriş, veri nedir?

Gözetimli (Öğreticili) ve Gözetimsiz (Öğreticili) öğrenme yöntemlerine giriş

Gözetimsiz öğrenme

  • Boyut küçültme yöntemleri
    • Temel bileşen analizi
    • Çok boyutlu ölçekleme

Gözetimli Öğrenme

  • Tembel öğreniciler: En yakın komşu yöntemi
  • Parametrik yaklaşımlar
    • Doğrusal regresyon
    • Lojistik regresyon
    • Destek vektör makineleri
  • Parametrik olmayan yaklaşımlar
    • Karar ağaçları ve türevleri
  • Öznitelik seçimi
  • Aşırı öğrenme ve model seçimi
  • Topluluk yöntemleri (seri ve paralel topluluklar)

Gözetimsiz öğrenme (devam)

  • Kümeleme yaklaşımları

Birliktelik kuralları analizi


Menü