📊 Mühendisler için İstatistik

Haydar Kılıç, Yapay Zeka Mühendisliği

---

📋 Ders Hakkında

Bu repo, Mühendisler için İstatistik dersinin uygulamalı Jupyter Notebook materyallerini içermektedir. Her notebook, ilgili teorik konuları Python ile adım adım, görselleştirme odaklı ve gerçek veri setleriyle desteklenmiş biçimde ele almaktadır.

---

📁 Notebook İçerikleri

#	Dosya	Konu	İçerik Özeti
01	Ders_01_Veriye_Giris.ipynb	Veriye Giriş	Veri matrisi, değişken türleri, örnekleme yanlılığı, örnekleme stratejileri, rastgele atama
02	Ders_02_Veriyi_Özetleme.ipynb	Veriyi Özetleme	Histogram, dağılım şekli, merkez & yayılım ölçüleri, kutu grafiği, logaritmik dönüşüm, kategorik veri görselleştirme
03	Ders_03_Olasilik.ipynb	Olasılık	Büyük Sayılar Yasası, olasılık kuralları, koşullu olasılık, Bayes Teoremi, rassal değişkenler
04	Ders_04_Dagilimlar.ipynb	Olasılık Dağılımları	Normal, Geometrik, Binom, Negatif Binom ve Poisson dağılımları
05	Ders_05_Istatiksel_Cikarim.ipynb	İstatistiksel Çıkarım Temelleri	Nokta tahmini, örnekleme dağılımı, Merkezi Limit Teoremi, güven aralıkları, hipotez testi, Tip I/II hatalar
06	Ders_06_Kategorik_Veriler_Icin_Cikarim.ipynb	Kategorik Veriler için Çıkarım	Tek oran çıkarımı, iki oranın farkı, Ki-Kare uyum iyiliği ve bağımsızlık testleri
07	Ders_07_Sayisal_Veriler_Icin_Cikarim.ipynb	Sayısal Veriler için Çıkarım	t dağılımı, tek & iki örneklem t-testleri, eşleştirilmiş veriler, güç analizi, ANOVA, Bonferroni düzeltmesi
08	Ders_08_Dogrusal_Regresyon.ipynb	Doğrusal Regresyon	En küçük kareler, artıklar, korelasyon, aykırı değer türleri, regresyon için çıkarım
09	Ders_09_Coklu_Ve_Lojistik_Regresyon.ipynb	Çoklu ve Lojistik Regresyon	Çoklu regresyon, kategorik değişkenler, model seçimi, R², lojistik regresyon, GLM, ROC eğrisi

---

🛠️ Kurulum

Gereksinimler

• Python 3.9 veya üzeri
• Jupyter Notebook / JupyterLab

Adımlar

1. Repoyu klonlayın:

   git clone https://github.com/HAYDARKILIC/istatistik.git
   cd istatistik

2. Gerekli paketleri yükleyin:

   pip install -r requirements.txt

3. Jupyter'i başlatın:

   jupyter notebook

---

📦 Kullanılan Kütüphaneler

Kütüphane	Kullanım Amacı
numpy	Sayısal hesaplamalar
pandas	Veri manipülasyonu ve analizi
matplotlib	Temel görselleştirme
seaborn	İstatistiksel görselleştirme
scipy	İstatistiksel testler ve dağılımlar
statsmodels	Regresyon modelleri ve istatistiksel çıkarım
scikit-learn	Makine öğrenmesi modelleri (regresyon, ROC)

📖 Kaynak Kitap

Diez, D. M., Barr, C. D., & Cetinkaya-Rundel, M. (2012). OpenIntro statistics (Vol. 4). Boston, MA, USA:: OpenIntro.

---