bilkenters

IE 451Applied Data Analysis

Bilkent Endüstri Mühendisliği dersi. Genelde Güz ve Bahar'da açılır, son 5 yılda yaz okulunda açılmadı. Şube başına ortalama 47 öğrenci.

  • kredi3· 5 ECTS
  • haftalık4 saat4 ders
  • son 5 yıl ort.2,51B-
  • açılırGüz + Baharson 5 yıl
  • 2026-2027 Güz1 şube· 29 boş yer
Programına ekle Notunu hesaplaSTARS syllabus

2026-2027 Güz şubeleri25/54 dolu · %46

  • 1Savaş Dayanıkbu dersteki ortalaması 2,52PSÇPC
    • Sal 13:30–15:20EE-211
    • Cum 08:30–10:20EE-211
    29 boş · 25/54

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 260

Almak için

MATH 2602,46Introduction to Statistics3 ön koşulu var · bu dönem açık
IE 451Applied Data Analysis
ön koşul
1 şart
doğrudan açtığı
2 ders
en erken
3. yıl güz

Geçince açılır

ECON 4582,85Labor Economicsya da ECON 222 · + ECON 204 / ECON 207ECON 4372,98Political Economyya da ECON 301 · + ECON 204 / ECON 207
ön koşul yolu
  1. MATH 101
  2. MATH 102
  3. MATH 230
  4. MATH 260
  5. IE 451

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 2,51 · 10 yıl 2,60 · 2013'den beri 2,60

2,282025-2026 Bahar54 öğrenci · 1 şube
2,02,53,03,516-17 G17-18 G18-19 G20-21 G21-22 G22-23 G23-24 G24-25 G25-26 G25-26 B
  • Güz / Bahar ortalaması
  • son 5 yıl 2,51
  • dikey gölge: şube aralığı · nokta büyüklüğü: öğrenci sayısı

Şubelere göre dağılım

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

0123425-26 B25-26 G24-25 B24-25 G

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

Dönem tablosu 18 dönem
DönemŞubeÖğrenciDers ort.Şube aralığı
2025-2026 Bahar1542,282,28
2025-2026 Güz1282,942,94
2024-2025 Bahar1392,882,88
2024-2025 Güz1502,292,29
2023-2024 Bahar1542,612,65
2023-2024 Güz1422,562,56
2022-2023 Bahar1542,522,58
2022-2023 Güz1532,512,51
2021-2022 Bahar1542,292,32
2021-2022 Güz1392,512,51
2020-2021 Bahar1602,642,64
2020-2021 Güz1542,642,64
2019-2020 Güz1542,802,80
2018-2019 Güz1392,762,76
2017-2018 Bahar1372,522,52
2017-2018 Güz1262,872,87
2016-2017 Bahar1152,922,92
2016-2017 Güz1233,233,23

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 · 1 hoca

  • Savaş Dayanıkbu dönem10 dönem · 467 öğrenci · son 2025-2026 Bahar2,52

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 Savaş Dayanık

  • %5
  • %10×4
  • %25×3
  • %25
  • %35
FZ ŞARTI

The weighted average of homework and quizzes should be at least 40%.

syllabus'taki metin, olduğu gibi

ECTS iş yükü: dönem başına 156 saat.

IE 451 not hesaplayıcısı hazır

In-class participation %5 · Homework (4 adet) %10 · Quiz (3 adet) %25 · Midterm (practical) %25 · Final (practical) %35

Notunu hesapla

Ders içeriği

Introduction to exploratory data analysis, multivariate regression, semiparametric regression, scatterplot smoothing, linear mixed models, generalized linear models, recursive partitioning, and hidden Markov models through the applications on real data sets using the statistical software R. Applications to consumer choice models, modeling the number of emergency room visits, building e-mail spam filters, detecting fraudulent transactions, and other applications from manufacturing and service systems illustrating big data analytics.

Haftalık konular 14 hafta
  1. Introduction to statistical learning and R, overview of regression and classification problems
  2. Linear regression (Illustrations: effects of budgets allocated for TV, newspaper, radio advertisement on annual sales, prediction of credit card balance from income, limit, rating, age, number of cards, and education level)
  3. Linear regression continued and k-nearest neighbour regression (Illustration: conjoint analysis from marketing science; how can you design a new product with a higher market penetration?)
  4. Logistic regression (Illustration: loan default probability estimation from credit card balance, income, occupation)
  5. Multinomial and Poisson regressions (Illustration: would it have been possible to predict the Challenger diasaster? https://en.wikipedia.org/wiki/Space_Shuttle_Challenger_disaster)
  6. Linear discriminant analysis (Illustrations: revisit credit card default probability estimation and Challenger disaster)
  7. Cross-validation, linear model selection, subset selection (Illustrations: what are the variables among income, limit, rating, age, number of cards, and education level that explain the credit card balance or default probability best? Is logistic regression or linear discriminant model best for predicting the loan default probability?)
  8. Shrinkage methods, ridge regression and lasso (What if the number of predictors is large--comparable to number of examples? Illustration: prediction of salaries of baseball players from various measures of their performances in the past games)
  9. Polynomial regression, regression splines, smoothing splines (Illustration: modeling the wage as a function of age, the amount pollutants in a residential area as a function of its distance from employment centers)
  10. Local regression, generalized additive models for quantitative and categorical variables (Illustrations: revisit wage and pollutant examples)
  11. Regression trees (Illustrations: predict the baseball player salaries, car-seat sales)
  12. Classification trees (Illustrations: email spam filtering--when is an email message spam? Predict crime rate in a residential area)
  13. Bagging, random forests, boosting (Illustrations: revisit baseball player salary email spam, crime-rate examples)
  14. Principal component analysis, k-means and hierarchical clustering (Illustrations: handwritten digit recognition, clustering cancer cell according to micro-array data, market-basket data)
Ders kitabı 1
  • Required - Textbook: An Introduction to Statistical Learning, G. James, D. Witten, T. Hastie, R. Tibshirani, 2013, Springer

Müfredatlarda4 program

Sık sorulanlar

IE 451 dersinin ön koşulu nedir?

IE 451 için STARS kataloğundaki ön koşul: MATH 260.

IE 451 kaç kredi, kaç ECTS?

IE 451 3 Bilkent kredisi ve 5 ECTS. Haftalık 4 saat yüz yüze ders.

IE 451 hangi dönemlerde açılır?

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

IE 451 not ortalaması kaç?

IE 451 dersinin son 5 akademik yıldaki ortalaması 2,51 (B-); 467 öğrencinin notundan, STARS'ın dönem ortalamaları öğrenci sayısıyla ağırlıklandırılarak hesaplandı.

IE 451 FZ şartı nedir?

2026-2027 Güz syllabus'ına göre: The weighted average of homework and quizzes should be at least 40%.

2026-2027 Güz IE 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.