Kurslar

-  Kurs kayıtlarının 6 Ekim 2017 tarihine kadar yapılması gerekmektedir.

-  Aşağıdaki kurslar katılımcı sayısı 7 kişiye ulaşırsa açılacaktır.

-  Kurs Ücreti : 100.-TL (Konaklama yapmayan katılımcılar için kurs ücreti 250.-TL'dir).

 

25 Ekim 2017

 

Kurs 1:

13:30 - 17:30     Yapısal Eşitlik Modellemesi ve Uygulamaları

                          Prof. Dr. Kazım ÖZDAMAR, Eskişehir Osmangazi Üniversitesi

 

Kurs 2:

13:30 - 17:30     Parametrik Olmayan Testler için Çoklu Karşılaştırma Yöntemleri 

                          Prof. Dr. İsmet DOĞAN, Afyon Kocatepe Üniversitesi

 

Kurs 3:

13:30 - 17:30     Küme Randomize Denemeler (Cluster randomised trials) ve Çok Düzeyli Modelleme (Multilevel Modelling)

                             ​Doç. Dr. Seval KUL, Gaziantep Üniversitesi

* Randomize kontrollü denemelerde gruplara her bir katılımcı rasgele olarak atanır. Oysa bazı çalışmalarda randomizasyon bölgeler, hastaneler ya da bölümler düzeyinde hiyerarşik olarak yapılır. Bu durumda çalışmada birden fazla seviyeli bir yapı oluşur. Bireyler yerine kümelerin rasgele olarak atandığı bu çalışmalar küme randomize denemeler (Cluster randomised trials) olarak adlandırılır. Kümelerin rasgele olarak atandığı deneme düzenlerinde, aynı kümede yer alan bireylerin ölçümlerin birbirine diğer kümelerde yer alanlara göre daha fazla benzemesi olasıdır. Bu nedenle standart istatistiksel yöntemlerle veri analizi yapmak mümkün değildir. Kurs kapsamında küme randomize denemelerin planlanması ve deneme sonunda elde edilen verilerin rasgele etkili ve karışık etkili çok düzeyli modeller yardımıyla analizi konuları teorik ve uygulamalı olarak açıklanacaktır.

 

Kurs 4:    

13:30 - 17:30      R ile Kestirime Yönelik İstatistiksel Modellerin Oluşturulması

                           Yrd. Doç. Dr. Gökmen ZARARSIZ, Erciyes Üniversitesi

                           Yrd. Doç. Dr. Selçuk KORKMAZ, Trakya Üniversitesi

                           Arş. Gör. Dinçer GÖKSÜLÜK, Hacettepe Üniversitesi

* Medikal araştırmalarda sınıflandırma ve regresyon yöntemlerinin kullanımı rutin bir hale gelmiştir. Özellikle hastalıklarla ilgili karar verme sürecinde tanı doğruluğunu arttırmada, kişiselleştirilmiş tıp ve hedefe yönelik tedavi belirlemede, hastane maliyetlerinin azaltılmasında, ilaç keşfi ve geliştirilmesi aşamalarında bu analizlere sıklıkla ihtiyaç duyulmaktadır. Genel yaklaşım, uygun bir istatistiksel yöntemin kullanımı ile verinin önemli özelliklerinin öğrenilmesi, ve bu bilgiden yola çıkarak yeni verilere ilişkin kestirimlerin yapılmasıdır. En basit yaklaşım olarak yanıt değişkenine ilişkin verilerin ölçüm birimi niteliksel türde ise lojistik regresyon analizleri ya da ayırma analizleri, niceliksel türde ise doğrusal regresyon analizleri kullanılabilmektedir. Bu yöntemler dışında farklı matematiksel altyapılara sahip onlarca istatistiksel yöntem bulunmaktadır. Yöntemlerden bazıları aşağıda verilmiştir:

 

Karar ağacına dayalı modeller: CART, C5.0, CHAID, boosted tree, vs.

Genelleştirilmiş modeller: Genelleştirilmiş doğrusal modeller, genelleştirilmiş eklemeli modeller, vs.

Ayırma analizine dayalı modeller: Doğrusal ayırma analizi, karesel ayırma analizi, esnek ayırma analizi, robust ayırma analizleri, köşegenel ayırma analizleri, en yakın küçültülmüş merkezler, vs.

Ensemble modeller: Random forest, adaboost, bagging yöntemleri, vs.

Çekirdek fonksiyona dayalı modeller: Destek vektör makinaları, kısmi en küçük kareler, Gauss işlemli regresyon yöntemleri, vs.

Cezalı modeller: Ridge regresyon, lasso, elastic net, cezalı lojistik regresyon analizi, cezalı ayırma analizi, vs.

Sinir ağları modelleri: Çok katmanlı perseptron, derin yapay sinir ağları, vs.

Diğer modeller: Naive-Bayes, k-en yakın komşuluklar, MARS, vs.

 

Yarım günlük bu eğitim kapsamında bu ve benzeri istatistiksel yöntemlerin genel mantığı üzerinde durulacak, asıl olarak model oluşturma süreci ve kestirim aşamalarından bahsedilerek, R programlama dili üzerinde uygulamalar gerçekleştirilecektir. Uygulamada esas olarak, verinin ön işlemesi, eğitim ve testlerinin oluşturulması, değişken seçimi, parametre optimizasyonu, model performansının ölçülmesi, farklı modellerin karşılaştırılması ve test verilerinin kestirimi üzerinde durulacaktır. Katılımcıların R programlama dili ile ilgili temel düzeyde kodlama becerilerine sahip olmaları beklenmektedir. Katılımcıların diz üstü bilgisayarları ile eğitime katılmaları beklenmektedir. Gerekli program kurulumları ile ilgili katılımcılara kurs öncesinde bilgi verilecektir.