defter / katalog / IE 451

IE 451 Applied Data Analysis

IE 451 is about learning to pick the right statistical model for messy real-world data and knowing why it works, with the bias-variance trade-off as the recurring lens for every method you meet. You will work in R across the ISLR toolkit, fitting regressions, GLMs, splines, trees, random forests, and clustering methods to datasets like credit defaults, spam inboxes, and baseball salaries. It sits where introductory statistics hands off to applied machine learning, giving IE students the modeling fluency they need for analytics-heavy electives, thesis work, and any downstream role that involves drawing decisions from data.

Kredi 3 ECTS 5 Fakülte Mühendislik Fakültesi Bölüm Endüstri Mühendisliği Ön koşul MATH 260 Koordinatör Savaş Dayanık

→ STARS müfredatı (resmi syllabus)

IE 451 zor mu?

Son 20 dönemde dersin ortalaması 2,65 (858 öğrencinin notu, 4,00 üzerinden), yani sınıf ortalaması B- civarında. Zorluk hocaya ve şubeye göre değişir; ölçülebilir olan bu sayı. Diğer derslerle karşılaştır →

IE 451 dersinde kaç midterm var, ağırlıkları ne?

İzlencede 1 midterm var, ağırlığı %25. Final %35. Kalan %40 dersin öteki kalemlerinde. Tam dağılım aşağıda.

IE 451 dersinin ön koşulu var mı?

Evet. Bilkent kataloğuna göre ön koşulu: MATH 260.

IE 451 bu dönem kim veriyor?

2026-2027 Güz döneminde 1 şube açık, dersi Savaş Dayanık veriyor. Şube saatleri ve kontenjanlar aşağıda.

IE 451 dersinde hangi kitap okunuyor?

İzlencede zorunlu kitap: An Introduction to Statistical Learning, G. James, D. Witten, T. Hastie, R. Tibshirani, 2013, Springer.

IE 451 kaç kredi?

3 Bilkent kredisi, 5 AKTS.

Haftalık müfredat 14 hafta

Hafta 114–20 Eyl

Statistical learning ve R'a giriş

Introduction to statistical learning and R, overview of regression and classification problems

statistical learningRregressionclassification

Hafta 221–27 Eyl

Linear regression uygulamaları

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)

linear regressionadvertising budgetcredit card balanceprediction

Hafta 328 Eyl – 4 Eki

Linear regression ve k-nearest neighbour regression

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?)

linear regressionk-nearest neighbour regressionconjoint analysismarket penetration

Hafta 45–11 Eki

Logistic regression ile loan default tahmini

Logistic regression (Illustration: loan default probability estimation from credit card balance, income, occupation)

logistic regressionloan default probabilitycredit card balanceincome

Hafta 512–18 Eki

Multinomial ve Poisson regression uygulamaları

Multinomial and Poisson regressions (Illustration: would it have been possible to predict the Challenger diasaster? https://en.wikipedia.org/wiki/Space_Shuttle_Challenger_disaster)

multinomial regressionPoisson regressionChallenger disaster

Hafta 619–25 Eki

Linear discriminant analysis uygulamaları

Linear discriminant analysis (Illustrations: revisit credit card default probability estimation and Challenger disaster)

linear discriminant analysiscredit card defaultChallenger disaster

Hafta 726 Eki – 1 Kas

Cross-validation ve linear model selection

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?)

cross-validationsubset selectionlogistic regressionlinear discriminant

Hafta 82–8 Kas

Shrinkage yöntemleri: ridge regression ve lasso

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)

shrinkageridge regressionlassopredictor sayısı

Hafta 99–15 Kas

Polynomial Regression ve Spline Yöntemleri

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)

polynomial regressionregression splinessmoothing splineswage-age modeli

Hafta 1016–22 Kas

Local regression ve generalized additive models

Local regression, generalized additive models for quantitative and categorical variables (Illustrations: revisit wage and pollutant examples)

local regressiongeneralized additive modelsquantitative ve categorical değişkenlerwage ve pollutant örnekleri

Hafta 1123–29 Kas

Regression tree uygulamaları: maaş ve satış tahmini

Regression trees (Illustrations: predict the baseball player salaries, car-seat sales)

regression treebaseball player salariescar-seat sales

Hafta 1230 Kas – 6 Ara

Classification tree uygulamaları

Classification trees (Illustrations: email spam filtering--when is an email message spam? Predict crime rate in a residential area)

classification treesemail spam filteringcrime rate prediction

Hafta 137–13 Ara

Bagging, random forest ve boosting

Bagging, random forests, boosting (Illustrations: revisit baseball player salary email spam, crime-rate examples)

baggingrandom forestsboostingbaseball salary / email spam / crime-rate örnekleri

Hafta 1414–20 Ara

PCA ve clustering yöntemleri, uygulamaları

Principal component analysis, k-means and hierarchical clustering (Illustrations: handwritten digit recognition, clustering cancer cell according to micro-array data, market-basket data)

principal component analysisk-meanshierarchical clusteringmarket-basket data

Değerlendirme 100% · 5 adım

10%

25%

35%

In-class participation 5%

Homework 10%

Quiz 25%

Midterm: Practical (skills) 25%

Final: Practical(skills) 35%

en büyük tek kalem %35 · sınav ağırlığı %85 · 20 dönem ortalaması 2.65 (858 öğrenci) nasıl hesaplanıyor

Notunu hesapla

Kalem	Ağırlık	Notun (100 üzerinden)
In-class participation	%5
Homework	%10
Quiz	%25
Midterm: Practical (skills)	%25
Final: Practical(skills)	%35

Hedef toplam puanın

Bildiğin notları gir; girmediklerin hesaba katılmaz.

Ağırlıklar IE 451 izlencesinden. Hocanın bu dönemki dağılımı farklı olabilir; bağlayıcı olan ders izlencesidir. Harf notu sınırlarını hoca belirliyor, o yüzden hedefi sen giriyorsun. İzlencede FZ şartı var, sayfanın sonundaki kutuda.

Önerilen kaynaklar 1 kitap

📕

Zorunlu

An Introduction to Statistical Learning, G. James, D. Witten, T. Hastie, R. Tibshirani, 2013, Springer

Bu dersi alınca · 5 öğrenme çıktısı

Recognize the properties of fundamental statistical modelsQuiz Midterm: Practical (skills) Final: Practical(skills)
Explore features of a data sets through graphics and summary statisticsQuiz Midterm: Practical (skills) Final: Practical(skills)
Fit a sensible statistical model to a given datasetQuiz Midterm: Practical (skills) Final: Practical(skills)
Take advantage of bias-variance trade-off and avoid over-fittingQuiz Midterm: Practical (skills) Final: Practical(skills)
Select the best model for a given datasetQuiz Midterm: Practical (skills) Final: Practical(skills)

Bilkent'in resmî syllabus'ünden. Sağdaki etiket o çıktının hangi değerlendirmeyle ölçüldüğünü söylüyor.

Ders notları · henüz yok

IE 451 için defter ekibi henüz not yazmadı.

İlk dosyayı sen atarsan: not, slayt, geçmiş sınav, çözüm, cheat-sheet, ne varsa. defter ekibi öğrenci paylaşımlarından bu dersin notlarını yazar. Drive linki / PDF / ZIP, hepsi olur.

← katalog

Geçmiş GPA dağılımı 20 dönem · ort. 2.65

Dönem	Ders ort.
2025-2026 Spring	2.28	1 şube · 54 öğr
2025-2026 Fall	2.94	1 şube · 28 öğr
2024-2025 Spring	2.88	1 şube · 39 öğr
2024-2025 Fall	2.29	1 şube · 50 öğr
2023-2024 Spring	2.61	1 şube · 54 öğr
2023-2024 Fall	2.56	1 şube · 42 öğr
2022-2023 Spring	2.52	1 şube · 54 öğr
2022-2023 Fall	2.51	1 şube · 53 öğr
2021-2022 Spring	2.29	1 şube · 54 öğr
2021-2022 Fall	2.51	1 şube · 39 öğr

Dersin dönem ortalaması, o dönemin bütün şubeleri birlikte. Kaynak STARS'ın ders değerlendirme raporu. Rapor yalnız kampüs ağından ya da Bilkent VPN ile açılıyor: IE 451 raporu · Bilkent VPN bilgisi. Öğrenci anket cevaplarını defter'de tutmuyoruz. Tüm derslerin ortalamaları →

Bu dönem · 2026-2027 Güz · 1 şube · 54 kontenjan · 29 boş

haftada 4 saat ders

Savaş Dayanık

Sal13:30–15:20EE-211Cum08:30–10:20EE-211

boş / 54

▾ 25 doldu · 21 gün

programıma ekle → CGPA'ya ekle kayıt tarihleri

Her dönem açılıyorSon yıllarda 10 güz ve 9 bahar döneminde açılmış. Kaçırırsan bir sonraki dönem tekrar bulabilirsin.

⚠️ FZ engelleyen şartlar

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

Hocalar 1 bu dönem · 0 geçmiş

Bu dönem (2026-2027 Fall) · 1 section

Savaş Dayanık

Bu ders 13 programın seçmeli havuzunda.

IE Elective on Data, Risk and Uncertainty Endüstri Mühendisliği · havuzda 12 ders IE Restricted Elective Endüstri Mühendisliği · havuzda 37 ders Technical Elective Bilgisayar Mühendisliği · havuzda 85 ders

ve 11 program daha.

Havuz listesi bölümün QME müfredatından; en küçük havuzlar önce yazılıyor, çünkü büyük "serbest seçmeli" havuzunda olmak dersi anlatmıyor. Seçmeli havuzunda olmak o dersi alabileceğin anlamına gelmez: ön koşul ve kontenjan ayrıca geçerli.

Bunu alınca açılanlar · 2 ders IE 451'i ön koşul sayıyor

ECON 437Political Economy ECON 458Labor Economics

Aynı koddan diğer dersler · katalogda 61 IE dersi · IE nedir?

IE 440Introduction to Financial Engineering IE 443Multi-Objective Decision Analysis IE 448Financial Issues in Engineering Projects IE 449Optimization and Algorithms in Economics IE 453Energy Systems Optimization IE 457Sustainable Operations IE 458Quantum Optimization