EEE 485Statistical Learning and Data Analytics

Bilkent Elektrik-Elektronik Mühendisliği dersi. Genelde Güz ve Bahar'da açılır, son 5 yılda yaz okulunda açılmadı. Şube başına ortalama 55 öğrenci.

kredi3· 5 ECTS
haftalık3 saat3 ders
son 5 yıl ort.2,52B- ↗
açılırGüz + Baharson 5 yıl
2026-2027 Güz1 şube· 0 boş yer

Programına ekle Notunu hesapla STARS syllabus

2026-2027 Güz şubeleri66/66 dolu · %100

1Cem Tekinbu dersteki ortalaması 2,53
- Sal 08:30–09:20EE-412 · yedek
- Sal 09:30–10:20EE-412
- Per 13:30–15:20EE-412
Dolu · 66/66

Saat ızgarası Pazartesi–Cuma, 08:30'dan itibaren; mavi lab, mor online, gri yedek (spare) saat. Kontenjan STARS offerings'ten her gün alınır; kesin bilgi SRS'te.

Ön koşullar ve açtığı derslerkatalog: (MATH 255 veya MATH 230 veya MATH 260) ve (MATH 241 veya MATH 225 veya MATH 220 veya MATH 224)

Almak için

biri yeter

MATH 2552,33Probability and Statistics1 ön koşulu var · bu dönem açık MATH 2302,35Probability and Statistics for Engineers1 ön koşulu var · bu dönem açık MATH 2602,46Introduction to Statistics3 ön koşulu var · bu dönem açık

biri yeter

MATH 2412,11Engineering Mathematics I1 ön koşulu var · bu dönem açık MATH 2252,18Linear Algebra and Differential Equations2 ön koşulu var · bu dönem açık MATH 2202,51Linear Algebraön koşulsuz · bu dönem açık MATH 224ön koşulsuz

EEE 485Statistical Learning and Data Analytics

ön koşul: 2 şart
doğrudan açtığı: 0 ders
en erken: 2. yıl bahar

Geçince açılır

Başka bir dersin ön koşulu değil.

ön koşul yolu

Ön koşullar STARS kataloğundaki ifadeden okunur; eş koşul, izin ve not şartları dahil değil. Kartın altındaki not o dersin başka neye ihtiyaç duyduğunu söyler.

Not ortalaması5 yıl 2,52 · 10 yıl 2,55 · 2016'den beri 2,55

2,612025-2026 Bahar66 öğrenci · 1 şube

Güz / Bahar ortalaması
son 5 yıl 2,52
dikey gölge: şube aralığı · nokta büyüklüğü: öğrenci sayısı

Şubelere göre dağılım

Bir noktanın üstüne gel ya da dokun: şube ve hocası görünür.

Her nokta bir şube. Yatay çizgi en düşük–en yüksek, dikey çizgi ortanca; soluk noktalar 10 öğrenciden az olan şubeler.

Dönem tablosu 19 dönem

Dönem	Şube	Öğrenci	Ders ort.	Şube aralığı
2025-2026 Bahar	1	66	2,61	2,61
2025-2026 Güz	1	70	2,78	2,82
2024-2025 Güz	1	66	2,69	2,69
2023-2024 Bahar	1	70	2,43	2,43
2023-2024 Güz	1	64	2,33	2,33
2022-2023 Bahar	2	103	2,50	2,46–2,53
2022-2023 Güz	1	47	2,29	2,30
2021-2022 Bahar	2	86	2,48	2,50–2,58
2021-2022 Güz	1	30	2,54	2,63
2020-2021 Bahar	2	92	2,66	2,35–2,95
2020-2021 Güz	1	43	2,17	2,17
2019-2020 Bahar	2	62	2,64	2,53–2,73
2019-2020 Güz	1	51	2,76	2,76
2018-2019 Bahar	2	67	2,60	2,60
2018-2019 Güz	1	48	2,55	2,55
2017-2018 Bahar	2	80	2,53	2,52–2,54
2017-2018 Güz	1	63	2,65	2,65
2016-2017 Bahar	2	61	2,36	2,35–2,40
2016-2017 Güz	1	60	2,65	2,65

Dönem ortalaması STARS'ın "Course GPA" değeri (o dönemin tüm şubeleri). Çok yıllık ortalama dönem ortalamalarının öğrenci sayısıyla ağırlıklı ortalaması; "son 5 yıl" içinde bulunulan akademik yıldan önceki 5 tam yıl. 10 öğrenciden az olan dönemler (*) dahil ama soluk. Final tekrar dönemleri dahil değil.

Hocalara göre2021–2026 · 2 hoca

Cem Tekinbu dönem5 dönem · 393 öğrenci · son 2025-2026 Güz2,53
Süleyman Serdar Kozat4 dönem · 209 öğrenci · son 2025-2026 Bahar2,57

Hocanın tek başına verdiği şubelerin öğrenci sayısıyla ağırlıklı STARS şube ortalaması. Soluk satırlar 20 öğrenciden az notlu veriye dayanır.

Değerlendirme ve FZ2026-2027 Güz syllabus'ı · koordinatör Cem Tekin

%30Midterm
%30Final
%20Problem sets + Quiz×4
%20Multi-phase term project

FZ ŞARTI

All project reports should be completed and submitted on time. No disciplinary penalty related with the course. The total points collected from the midterm and quizzes should be at least 20% of the total contribution of the midterm and quizzes.

syllabus'taki metin, olduğu gibi

ECTS iş yükü: dönem başına 147 saat.

EEE 485 not hesaplayıcısı hazır

Midterm %30 · Final %30 · Problem sets + Quiz (4 adet) %20 · Multi-phase term project %20

Notunu hesapla

Ders içeriği

Introduction to the goals and tools of machine learning and data analytics. Overview of machine learning on diverse data acquired by: sensor networks, physiological devices, etc. Fundamental learning models. Applications: decision support, computer vision, recommender systems. Performance analysis by using probabilistic approach. Bayesian and frequentist machine learning. Classification and regression. Linear regression, Ridge regression, Lasso. Parameter estimation and Bayesian regression. Generalized linear models. Neural Networks. Learning from unlabeled data: probabilistic clustering, blind signal separation and feature extraction. Graphical models. Techniques for handling missing and corrupted data. Deep learning, transfer learning, online learning.

Haftalık konular 14 hafta

Probability review for machine learning and data science (random variables, random vectors, Bayes rule, independence, law of large numbers, concentration inequalities
Bayesian and frequentist machine learning (credible intervals, confidence intervals) and their use in data science
Linear regression, ordinary least squares
Ridge regression, lasso, Bayesian linear regression
Generalized linear models
Perceptron, neural networks and backpropagation
Blind signal separation
Probabilistic clustering, mixture of Gaussians and expectation maximization
Feature extraction and feature selection
Inference and learning in graphical models
Naive Bayes, Restricted Boltzmann Machines, Contrastive Divergence
Deep learning
Reinforcement learning
Online learning

Ders kitabı 5

Recommended - Textbook: The elements of statistical learning, T. Hastie, R. Tibshirani, J. Friedman, 2003, Springer
Recommended - Textbook: An introduction to statistical learning, James G, Witten D, Hastie T, Tibshirani R., 2013, Springer
Recommended - Textbook: Machine learning: A probabilistic perspective, Murphy, Kevin P, 2012, MIT Press
Recommended - Textbook: Probabilistic graphical models: principles and techniques, Koller, Daphne, and Nir Friedman, 2009, MIT press
Recommended - Textbook: Pattern Recognition and Machine Learning, Christopher M. Bishop, 2011, Springer

Müfredatlarda6 program

Bilgisayar MühendisliğiComputer Engineering · lisansTechnical Elective, Engineering Elective
Elektrik-Elektronik MühendisliğiElectrical - Electronics Engineering · lisansEEE Expanded Elective, EEE Restricted Elective
Endüstri MühendisliğiIndustrial Engineering · lisansBreadth Elective
FizikPhysics · lisansTechnical Elective
Makine MühendisliğiMechanical Engineering · lisansEngineering Elective, ME Breadth Elective
Moleküler Biyoloji ve GenetikMolecular Biology and Genetics · lisansTechnical Elective

Sık sorulanlar

EEE 485 dersinin ön koşulu nedir?

EEE 485 için STARS kataloğundaki ön koşul: (MATH 255 veya MATH 230 veya MATH 260) ve (MATH 241 veya MATH 225 veya MATH 220 veya MATH 224).

EEE 485 kaç kredi, kaç ECTS?

EEE 485 3 Bilkent kredisi ve 5 ECTS. Haftalık 3 saat yüz yüze ders.

EEE 485 hangi dönemlerde açılır?

Genelde Güz ve Bahar'da açılır, son 5 yılda yaz okulunda açılmadı. 2026-2027 Güz döneminde 1 şube ile açık.

EEE 485 not ortalaması kaç?

EEE 485 dersinin son 5 akademik yıldaki ortalaması 2,52 (B-); 602 öğrencinin notundan, STARS'ın dönem ortalamaları öğrenci sayısıyla ağırlıklandırılarak hesaplandı.

EEE 485 FZ şartı nedir?

2026-2027 Güz syllabus'ına göre: All project reports should be completed and submitted on time. No disciplinary penalty related with the course. The total points collected from the midterm and quizzes should be at least 20% of the total contribution of the midterm and quizzes.

2026-2027 Güz EEE dersleri →

Veri STARS'ın herkese açık sayfalarından (offerings, katalog, ders geçmişi, syllabus) otomatik alınır. Şube, hoca ve kontenjan değişebilir; kesin bilgi için SRS'yi kontrol et.