GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| ESOF312 | Machine Learning and Pattern Recognition | Seçmeli Ders Grubu | 3 | 6 | 6.00 | 3.00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
İngilizce
Dersin Amacı
Makine Öğrenmesi, karar teorileri ve sınıflandırılması; diskriminant fonksiyonları; denetimli ve denetimsiz eğitim; kümeleme; özellik çıkarımı ve boyutsal azaltılması; ardışık ve hiyerarşik sınıflandırma, eğitim, özellik çıkarımı ve mühendislik problemlerine karar kuralları uygulamaları.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğrenme Çıktıları
| 1 | Öğrenci makine öğrenmesi temellerini kavrar. |
| 2 | Öğrenci çok bilinen eğitmenli, eğitmensiz, yarı-eğitmenli öğrenme algortimalarını kavrar. |
| 3 | Öğrenci makine öğrenmesi tekniklerini gerçek dünya problemlerine uygulayabilir. |
| 4 | Öğrenci makine öğrenmesi ile ilgili bir konuda proje hazırlar, raporunu yazar ve sınıfta sunumunu yapar. |
| 5 | Parametreleri verilen bir problem için öğrenci farklı makine öğrenmesi yöntemlerinin avantaj ve dezavantajlarını ortaya koyabilir. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Giriş, Karar Ağaçları, Örnek Tabanlı Öğrenme, Bayesçi Öğrenme, Lojistik Regresyon, Sinir Ağları, Destek Vektör Makineleri, Model Seçimi, Özellik Seçimi, Kümeleme, k-ortalama, Maksimum Beklenti, Gauss Karışım Modeli, Topluluk Öğrenmesi, Çekişmeli Öğrenme, Derin Öğrenme, Ödül-Ceza ile Öğrenme
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|---|
| 1 | Makine öğrenmesine giriş | |||
| 2 | Gözetimli öğrenme: sınıflandırma ve linear regrasyon | |||
| 3 | Bayesçi karar Kuramı-Naive Bayes | |||
| 4 | Dağılımdan bağımsız yöntemler | |||
| 5 | Boyut azaltma -öznitelik seçimi | |||
| 6 | Öbekleme[Clustering - Hierarchical clustering (single and complete linkage, dendogram, nested clusters)] | |||
| 7 | Karar ağaçları | |||
| 8 | Ara Sınav | |||
| 9 | Doğrusal ayrımcılık analizi, temel birleşenler analizi | |||
| 10 | Destekçi öğrenme makinesi [Support Vector Machines - NonLinear] | |||
| 11 | Topluluk öğrenmesi | |||
| 12 | Yapay sinir ağları | |||
| 13 | Makine öğrenmesi model seçimi | |||
| 14 | Makine Öğrenimi Deneylerinin Tasarımı ve Analizi |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Makine Öğrenmesi Teorik Yönleri Ve Python Uygulamaları İle Bir Yapay Zeka Ekolü (Yazar: Sinan Uğuz Yayınevi: Nobel Akademik Yayıncılık)
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 34 |
| Proje Hazırlama | 1 | 33 |
| Ödev Problemleri için Bireysel Çalışma | 1 | 33 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 60 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 40 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 2 | 28 |
| Proje Hazırlama | 1 | 30 | 30 |
| Bireysel Çalışma | 14 | 2 | 28 |
| Ödev Problemleri için Bireysel Çalışma | 3 | 6 | 18 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 10 | 10 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 20 | 20 |
| Toplam İş Yükü (saat) | 138 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
| ÖÇ 3 |
| ÖÇ 4 |
| ÖÇ 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek