Ders Notları

100% Complete (success)
Dikkat !!! Lütfen okuyunuz ...

Öğretim Üyesi (Üyeleri): Prof. Dr. Taner Tunç *

(*) Ders notu girebilmek için, bu alanda kendi isminiz yazıyor olmalı...

  • Bologna verilerinin girilmesi;
    ubys.omu.edu.tr adresinden,
    ÜBYS' de Öğretim Elemanları yetkisi seçilmeli... Öğretim elemanı danışmanlık işlemlerinden yapabilirsiniz...
Yıl: 2025, Dönem: Güz
Ders Kitabı / Malzemesi / Önerilen Kaynaklar

Dersin İçeriği

Dersin Amacı

Haftalık Ders İçeriği

Hafta Teorik Uygulama Laboratuar Ders Notları
1 Boyut İndirgeme ve Temel Kavramları(Boyut indirgeme nedir, neden gereklidir? Yüksek boyutlu veri problemleri )
2 Çok Değişkenli Analize Giriş(Tek değişkenli vs çok değişkenli analiz, Değişkenler arası ilişki türleri, Kovaryans ve korelasyon kavramları, Veri matrisi yapısı)
3 Matris Cebiri (Vektörler ve matrisler, Matris işlemleri, Transpoz, ters matris, determinant ve rank kavramı)
4 Matris Cebiri (Özdeğer ve özvektör kavramları, Spektral ayrışım, Kovaryans matrisinin yapısı, PCA’ya matematiksel hazırlık)
5 Temel Bileşenler Analizi (PCA’nın amacı ve mantığı, Varyansın maksimize edilmesi, Temel bileşenlerin yorumu, Varsayımlar ve sınırlılıklar)
6 Temel Bileşenler Analizi (Uygulama ve Yorum,PCA adımları, Scree plot ve açıklanan varyans, Biplot yorumu, Örnek veri setleri üzerinde uygulama)
7 Yazılım Uygulamaları (Çıktıların yorumlanması, Ölçekleme (standardization) etkisi, Uygulama ağırlıklı sunum)
8 Faktör Analizine Giriş (Faktör analizi nedir? PCA ile farkları, Gizil değişken kavramı, Kullanım alanları)
9 Ara Sınav / Proje Sunumları
10 Keşfedici Faktör Analizi (EFA) ( Faktör çıkarma yöntemleri, Faktör sayısının belirlenmesi, Döndürme yöntemleri (Varimax, Promax), Faktör yüklerinin yorumu)
11 Faktör Analizi Varsayımları ve Uygulama ( KMO ve Bartlett testleri, Güvenilirlik analizi (Cronbach Alpha), Uygulamalı faktör analizi örnekleri)
12 Doğrulayıcı Faktör Analizi (CFA) – (EFA vs CFA , Yapısal eşitlik modellemesine giriş, Model uyum indeksleri_CFI, RMSEA)
13 Diğer Boyut İndirgeme Yöntemleri (Multidimensional Scaling (MDS), Linear Discriminant Analysis (LDA)
14 Boyut İndirgeme ve Özellik seçimi, PCA + regresyon / sınıflandırma, Gerçek veri örnekleri, Model performansına etkisi
15 Öğrenci Proje Sunumları, Uygulamalı proje sunumları, Yöntem seçimi ve yorumlama, Akademik sunum teknikleri
16 Öğrenci Proje Sunumları, Uygulamalı proje sunumları, Yöntem seçimi ve yorumlama, Akademik sunum teknikleri