IE 451 Bilkent – Applied Data Analysis: Şubeler, Hocalar, Not Hesaplama
IE 451 (Applied Data Analysis) Bilkent Endüstri Mühendisliği dersi. 2026-2027 Güz döneminde 1 şube açıldı. Son 5 yıl ortalaması 2,51 (B-).
- Bölüm
- IE · Endüstri Mühendisliği
- Kredi / ECTS
- 3 kredi · 5 ECTSİş yükü 156 saat/dönem
- Haftalık saat
- 4 saat yüz yüze ders
- 2026-2027 Güz
- 1 şube · 54 kontenjan, %46 dolu
- Açıldığı dönemler
- Genelde Güz ve Bahar'da açılır, son 5 yılda yaz okulunda açılmadı.
- Son 5 yıl ortalaması
- 2,51 (B-)→ son 2 yıl 2,53, önceki 3 yıl 2,50
2026-2027 Güz şubeleri ve hocaları
1 şube. Saatler STARS offerings verisinden alınır; yedek (spare) saatler normal ders saati gibi programa dahildir.
| Şube | Hoca | Gün / Saat | Derslik | Kontenjan |
|---|---|---|---|---|
| 1 | Savaş Dayanıkgeçmiş ortalaması 2,52 (B-) | Salı 13:30-15:20, Cuma 08:30-10:20 | EE-211 | 25/54 |
IE 451 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)
- Introduction to statistical learning and R, overview of regression and classification problems
- 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 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?)
- Logistic regression (Illustration: loan default probability estimation from credit card balance, income, occupation)
- Multinomial and Poisson regressions (Illustration: would it have been possible to predict the Challenger diasaster? https://en.wikipedia.org/wiki/Space_Shuttle_Challenger_disaster)
- Linear discriminant analysis (Illustrations: revisit credit card default probability estimation and Challenger disaster)
- 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?)
- 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)
- 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)
- Local regression, generalized additive models for quantitative and categorical variables (Illustrations: revisit wage and pollutant examples)
- Regression trees (Illustrations: predict the baseball player salaries, car-seat sales)
- Classification trees (Illustrations: email spam filtering--when is an email message spam? Predict crime rate in a residential area)
- Bagging, random forests, boosting (Illustrations: revisit baseball player salary email spam, crime-rate examples)
- 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
- Required - Textbook: An Introduction to Statistical Learning, G. James, D. Witten, T. Hastie, R. Tibshirani, 2013, Springer
IE 451 değerlendirme ve FZ şartı
2026-2027 Güz syllabus'ı, koordinatör Savaş Dayanık.
| Değerlendirme | Adet | Ağırlık |
|---|---|---|
| 1 | %5 | |
| 4 | %10 | |
| 3 | %25 | |
| 1 | %25 | |
| 1 | %35 |
FZ şartı
The weighted average of homework and quizzes should be at least 40%.
Kaynak: STARS syllabus. Metinler olduğu gibi aktarılır; dönem içinde değişebilir.
Toplam puanını hesapla
IE 451 ön koşulları
IE 451 dersini alabilmek için:
IE 451 dersini ön koşul olarak isteyen dersler (2)
Bu ders hangi müfredatlarda?
IE 451, 4 programın müfredatında zorunlu ya da seçmeli ders olarak yer alıyor.
- Bilgisayar Mühendisliği · Computer Engineering (lisans) — seçmeli: Technical Elective
- Endüstri Mühendisliği · Industrial Engineering (lisans) — seçmeli: IE Restricted Elective, IE Elective on Data, Risk and Uncertainty
- İşletme · Management (lisans) — seçmeli: Unrestricted Major Elective
- Moleküler Biyoloji ve Genetik · Molecular Biology and Genetics (lisans) — seçmeli: Technical Elective
IE 451 not ortalaması: dönemlere göre
Son 5 yıl 2,51 · son 10 yıl 2,60 · tüm dönemler (2013'den beri) 2,60 · ortalama sınıf 47 öğrenci.
Nokta büyüklüğü öğrenci sayısını gösterir; soluk noktalar 10 öğrenciden az olan dönemler.
Dönem tablosu (18 dönem)
| Dönem | Şube | Öğrenci | Ders GPA | Şube GPA (min–max) |
|---|---|---|---|---|
| 2025-2026 Bahar | 1 | 54 | 2,28 | 2,28 |
| 2025-2026 Güz | 1 | 28 | 2,94 | 2,94 |
| 2024-2025 Bahar | 1 | 39 | 2,88 | 2,88 |
| 2024-2025 Güz | 1 | 50 | 2,29 | 2,29 |
| 2023-2024 Bahar | 1 | 54 | 2,61 | 2,65 |
| 2023-2024 Güz | 1 | 42 | 2,56 | 2,56 |
| 2022-2023 Bahar | 1 | 54 | 2,52 | 2,58 |
| 2022-2023 Güz | 1 | 53 | 2,51 | 2,51 |
| 2021-2022 Bahar | 1 | 54 | 2,29 | 2,32 |
| 2021-2022 Güz | 1 | 39 | 2,51 | 2,51 |
| 2020-2021 Bahar | 1 | 60 | 2,64 | 2,64 |
| 2020-2021 Güz | 1 | 54 | 2,64 | 2,64 |
| 2019-2020 Güz | 1 | 54 | 2,80 | 2,80 |
| 2018-2019 Güz | 1 | 39 | 2,76 | 2,76 |
| 2017-2018 Bahar | 1 | 37 | 2,52 | 2,52 |
| 2017-2018 Güz | 1 | 26 | 2,87 | 2,87 |
| 2016-2017 Bahar | 1 | 15 | 2,92 | 2,92 |
| 2016-2017 Güz | 1 | 23 | 3,23 | 3,23 |
Dönem ortalaması STARS'ın "Course GPA" değeridir (o dönemin tüm şubeleri). Dönemler arası ortalama dönem ortalamalarının öğrenci sayısıyla ağırlıklı ortalamasıdır; "son 5 yıl" içinde bulunulan akademik yıldan önceki 5 tam yıldır. Şube ortalaması STARS "Section GPA"dır ve tek sayıya indirilmez. 10 öğrenciden az olan dönemler (*) ortalamaya dahildir ama soluk gösterilir. Final tekrar dönemleri dahil değildir.
Şubelere göre dağılım
Son 5 akademik yılda IE 451 şubelerinin ortalamaları. Dönem seçerek karşılaştırabilirsin.
Bir noktanın üzerine gelince (ya da dokununca) şube ve hoca görünür.
Her nokta bir şube (STARS şube GPA'sı). Yatay çizgi en düşük–en yüksek, dikey çizgi medyan; soluk noktalar 10 öğrenciden az olan şubeler.
Hocalara göre IE 451
Son 5 akademik yılda (2021–2026) bu dersi veren hocalar ve 2026-2027 Güz hocaları.
| Hoca | Dönem | Öğrenci | Şube ortalaması | Son verdiği |
|---|---|---|---|---|
| Savaş Dayanıkbu dönem | 10 | 467 | 2,52 | 2025-2026 Bahar |
Şube ortalaması: hocanın tek başına verdiği şubelerin öğrenci sayısıyla ağırlıklı STARS şube GPA'sı. Soluk satırlar 20 öğrenciden az notlu veriye dayanır.
Programına ekle
IE 451 dersini ders programı oluşturucuya ekleyip çakışmasız kombinasyonları görebilirsin.
Sıkça sorulan sorular
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%.
Veri STARS'ın herkese açık sayfalarından (offerings, katalog, ders geçmişi, syllabus) otomatik alınır. Şube, hoca ve kontenjan bilgisi değişebilir; kesin bilgi için SRS'yi kontrol edin.