DUYURULAR / ANNOUNCEMENTS

DAVETLİ KONUŞMACILAR

Prof. Dr. FATMA ÖZKUL - “Blokzincir Teknolojisi ve Kripto varlıklar”
Prof. Dr. FATMA ÖZKUL - “Blokzincir Teknolojisi ve Kripto varlıklar”

Prof. Dr. Fatma Özkul

Para Politikası Kurulu Üyesi

1978 yılında Elazığ’da doğdu. Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi İşletme Bölümü’nü bitiren Özkul, yüksek lisans ve doktorasını Marmara Üniversitesi Sosyal Bilimler Enstitüsü Muhasebe Finansman Ana Bilim Dalında tamamladı. 2012 yılında Muhasebe Bilim Dalında Doçent, 2018 yılında Profesör unvanını aldı.

2007-2021 yılları arasında Bahçeşehir Üniversitesi’nde öğretim üyeliği yapan Özkul, akademisyenliğinin yanı sıra; Meslek Yüksekokulu Müdür Yardımcılığı, Sosyal Bilimler Enstitüsü Müdür Yardımcılığı ve Lisansüstü Eğitim Enstitüsü Müdürlüğü görevlerini yaptı.

Marmara Üniversitesi İşletme Fakültesi Muhasebe Finansman Ana Bilim Dalında Öğretim Üyesi olan Özkul’un, muhasebe ve denetim alanlarında çok sayıda akademik yayını bulunmaktadır. “İşletmelerde Hile Riski Yönetimi”, “Perakende İşletmelerde Muhasebe Uygulamaları” kitaplarının yanı sıra, 2023 yılında yılın en iyi finans ve ekonomi kitabı ödülüne layık görülen “Kripto Varlıklar Muhasebesi” kitabının yazarıdır.

Özkul, Türkiye Sigorta ve Türkiye Hayat Emeklilik A.Ş. Bağımsız Yönetim Kurulu Üyeliği görevlerinde bulunmuş olup Ziraat Finans ve Teknoloji Üniversitesi Mütevelli Heyeti Üyesidir.

Evli ve iki çocuk annesidir.

Prof. Dr. Fatma Özkul, 23 Aralık 2023 tarihinde Türkiye Cumhuriyet Merkez Bankası Para Politikası Kurulu Üyeliği’ne atanmıştır.

 

Tarih: 21 Mayıs 2024 

Saat: 14:00

Yer: Marmara Üniversitesi Mehmet Genç Külliyesi

Prof. Dr. Eren Baş (Öngörü Probleminin Çözümü İçin Tam Sağlam Yapay Sinir Ağı)
Prof. Dr. Eren Baş (Öngörü Probleminin Çözümü İçin Tam Sağlam Yapay Sinir Ağı)

Her ne kadar yapay sinir ağı modelleri zaman serisi tahmininde oldukça başarılı sonuçlar üretse de veri setindeki bir aykırı değer veya aykırı değerler, öngörü performansını olumsuz yönde etkilemektedir. Yapay sinir ağı modeline en çok benzeyen sinir ağı modeli olan dendritik nöron modelli yapay sinir ağları da literatürdeki birçok yapay sinir ağı modeli gibi veri setindeki aykırı değerlerden olumsuz yönde etkilenmektedir. Bu çalışmada dendritik nöron model yapay sinir ağının veri setindeki aykırı değerlerden etkilenmesini önlemek için; Talwar'ın M tahmin edicisine dayanan sağlam bir öğrenme algoritması, ağın girdilerindeki etkiyi azaltmak için bir veri ön işleme yöntemi ve ağın çıktısındaki aykırı değerlerin etkisini önlemek için de medyan istatistiği bir arada kullanılmaktadır. Ayrıca önerilen yapay sinir ağı modelinin eğitimi simbiyotik organizma arama algoritması ile gerçekleştirilmiştir. Önerilen yöntemin performansını değerlendirmek amacıyla İspanya, İtalya ve Almanya borsalarının zaman serilerinin belirli yıllardaki kapanış fiyatları üzerinden analizler yapılmıştır. İlgili borsaların zaman serilerinin hem orijinal haliyle hem de zaman serisine aykırı değerler enjekte edilerek yapılan analiz sonuçlarına göre, önerilen yöntem, zaman serisinin aykırı değerler içerdiği ve aykırı değerler içermediği durumlarda bile üstün tahmin performansına sahiptir.

Prof. Dr. Nicola Loperfido (Projection pursuit: from theory to applications)
Prof. Dr. Nicola Loperfido (Projection pursuit: from theory to applications)

Projection pursuit is a multivariate statistical technique aimed at finding interesting low-dimensional data projections. It looks for the data projection which maximizes the projection pursuit index, that is a measure of its interestingness. After an interesting projection is found, it is removed to facilitate the search for other interesting features. Projection pursuit deals with three major challenges of multivariate analysis: the curse of dimensionality, the presence of irrelevant features and the limitations of visual perception. Its applications have been hampered by several difficulties of computational, interpretative and inferential nature. This talk outlines the main features of projection pursuit and illustrates them with the well-known Iris dataset.

 

Prof. Dr. Özlem Türkşen (Mekansal Veri Biliminde Mekansal İstatistik)
Prof. Dr. Özlem Türkşen (Mekansal Veri Biliminde Mekansal İstatistik)

Mekânsal veri, belirli coğrafi konumlarla ilişkilendirilebilen nicel ve nitel özelliklere sahip veridir. Mekân bilgisi içeren alan verisi, jeoistatistiksel veri ve nokta verisi olarak tanımlanan mekânsal verilerin araştırılması, elde edilmesi, gösterimi, modellenmesi ve sonuç çıkarımı aşamaları mekânsal veri bilimini oluşturur. Mekânsal veri bilimi, mekânsal veri-bilgi keşfi süreci olarak da tanımlanabilir. Bu süreç, keşfedici veri analizi, veri görselleştirme, makine öğrenmesi algoritmaları ile birlikte mekânsal veri analizi başlıklarını içerir. Mekânsal veri analizi, bir mekânda var olan verinin yapısını dikkate alarak veriyi tanımlayan öznitelikler arasındaki etkileşimi ve veriye ait süreçleri açıklayan istatistiksel yöntemler ile diğer mekânsal olaylar arasındaki olası ilişkileri belirleyen veri analizidir. Mekânsal verinin istatistiksel analizi söz konusu olduğunda mekânsal veri analizi mekânsal istatistik olarak da adlandırılır. Mekânsal istatistik; çevre, halk sağlığı, ekoloji, tarım, kentsel planlama, ekonomi, toplum vb. çeşitli alanlarda stratejik karar süreçlerinde karar vermeyi desteklemek amaçlı kullanılmaktadır.  Buna yönelik olarak çalışmada, günümüzde geniş bir kullanım alanına sahip olan mekânsal istatistiğin nasıl uygulanabileceği, mekânsal veri-bilgi keşfi sürecinde mekânsal verideki örüntülerin nasıl ortaya çıkarılabileceği, bilgisayar programlarından (Python, R ve/veya ArcGIS) yararlanılarak mekânsal istatistiklerin nasıl elde edilebileceği konularında bilgiler verilmesi amaçlanmıştır. Ayrıca, araştırmacıların mekânsal veri bilimi sürecine ilişkin çalışmalarına istatistiksel bakış açısıyla katkı sunulması hedeflenmektedir.

Dr. Panagiotis Papastamoulis (Applications of recent advances on model-based clustering)
Dr. Panagiotis Papastamoulis (Applications of recent advances on model-based clustering)

Clustering data is a fundamental task in applied data analysis. Under a model-based clustering point of view, finite mixture models serve as an all-purpose workhorse for attacking this problem. Despite their flexibility, the estimation of such models is not trivial and computational methods (frequentist or Bayesian) should be incorporated. However, certain computational and inferential difficulties arise, especially in the case of highdimensional datasets. This talk will review recent advances on these issues and apply the proposed methods in real datasets arising in various scientific disciplines such as immunology, genomics, zoology, demographics and social network data.

Eskişehir Web Tasarım