GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| ECVL439 | Machine Learning Applications | Seçmeli Ders Grubu | 4 | 7 | 4.00 | 2.00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Dersin Amacı
By the end of this course, students will be able to: • Understand and implement key machine learning techniques for classification, regression, and clustering. • Utilize Python libraries such as scikit-learn and pandas to solve data-related problems. • Evaluate and optimize machine learning models with practical tools and techniques. • Gain foundational knowledge of neural networks and basic deep learning principles. • Apply machine learning workflows to real-world data scenarios effectively.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğrenme Çıktıları
| 1 | Bu dersin sonunda öğrenciler: Sınıflandırma, regresyon ve kümeleme için temel makine öğrenimi tekniklerini anlayabilecek ve uygulayabilecek. Veri ile ilgili problemleri çözmek için scikit-learn ve pandas gibi Python kütüphanelerini kullanabilecek. Pratik araçlar ve tekniklerle makine öğrenimi modellerini değerlendirebilecek ve optimize edebilecek. Sinir ağlarının temel bilgisini ve temel derin öğrenme ilkelerini kazanabilecek. Makine öğrenimi iş akışlarını gerçek dünya veri senaryolarına etkin bir şekilde uygulayabilecek. |
| 2 | Bir problemin çözümü için yapay öğrenme yöntemi önerebilme |
| 3 | Değişik yapay öğrenme yöntemlerinin performanslarını analiz edebilme |
| 4 | Değişik yapay öğrenme yöntemlerinin sonuçlarını birleştirebilme |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Ders İçin Önerilen Diğer Hususlar
yok
Dersin İçeriği
This course offers a comprehensive introduction to machine learning, building on foundational AI concepts to focus on practical applications and problem-solving. Students will learn essential machine learning techniques, data handling, and model evaluation. The course emphasizes real-world applicability and prepares students to effectively use machine learning tools and concepts in various professional settings.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|---|
| 1 | Hafta 1: Makine Öğrenimi Temelleri • Makine Öğrenimi Nedir?: Tanımlar ve geleneksel bilişimden farklar. • Tarihsel Perspektif: ML'nin evrimi ve teknoloji üzerindeki etkisi. • Gerçek Hayatta Uygulamalar: ML'nin endüstrileri nasıl dönüştürdüğüne dair genel bakış. | |||
| 2 | Hafta 2: ML Algoritmaları • Algoritma Türleri ve Kullanımları • Gözetimli Öğrenme Algoritmaları • Gözetimsiz Öğrenme Algoritmaları • Pekiştirmeli Öğrenme Algoritmaları • Makine Öğrenimi için İstatistik ve Olasılık | |||
| 3 | Hafta 3: Makine Öğrenimi İş Akışı Problem Tanımı ve Veri Toplama Veri Temizleme ve Hazırlama Model Seçimi ve Eğitim Değerlendirme ve İterasyon | |||
| 4 | Hafta 4: Gözetimli Öğrenme – Bölüm I • Doğrusal Regresyon • Lojistik Regresyon • Model Değerlendirme Metrikleri • Aşırı Uydurma ve Model Düzenlemesi | |||
| 5 | Hafta 5: Gözetimli Öğrenme – Bölüm II • Doğrusal Regresyon Vaka Çalışması • İleri Regresyon Teknikleri • Ansambl Yöntemleri • Dengesiz Verilerle Başa Çıkma | |||
| 6 | Hafta 6: Python ile Makine Öğreniminde Problem Çözme (Bölüm 1) • Makine Öğrenimi için Python Kütüphaneleri • Python ile Keşifsel Veri Analizi • Özellik Seçimi Teknikleri • Python'da Basit Bir ML Modeli Oluşturma | |||
| 7 | Week 7: Ara (Vize) Sınav | |||
| 8 | Hafta 8: Gözetimsiz Öğrenme – Bölüm I • Kümeleme Algoritmaları • Boyut Azaltma Teknikleri • İlişkilendirme Kuralları • Kümeleme ve Sınıflandırma Arasındaki Farklar | |||
| 9 | Hafta 9: Gözetimsiz Öğrenme – Bölüm II • İleri Kümeleme Teknikleri • Model Tabanlı Kümeleme • Küme Kalitesinin Değerlendirilmesi • Kümelemenin Gerçek Dünya Uygulamaları | |||
| 10 | Hafta 10: Pekiştirmeli Öğrenme Temelleri • Pekiştirmeli Öğrenmeye Giriş • Pekiştirmeli Öğrenme Problemi • Markov Karar Süreçleri • Temel RL Algoritmaları | |||
| 11 | Hafta 11: İleri Sınıflandırma Algoritmaları • Sinir Ağları Temelleri • Derin Öğrenme Çerçeveleri • İleri Optimizasyon Algoritmaları • Pratik Uygulama Zorlukları | |||
| 12 | Hafta 12: Veri Ön İşleme ve Özellik Mühendisliği • Veri Dönüşüm Teknikleri • Eksik Verilerle Başa Çıkma • Özellik Ölçeklendirme ve Normalizasyon • Özellik Kodlama Teknikleri | |||
| 13 | Hafta 13: Python ile Makine Öğreniminde Problem Çözme (Bölüm 2) • İleri Model Oluşturma • Hiperparametre Ayarlama • Çapraz Doğrulama Teknikleri • ML İş Akışlarının Otomatikleştirilmesi | |||
| 14 | Hafta 14: Final Proje Sunumları | |||
| 15 | FİNAL SINAVI |
Ders Kitabı Malzemesi Önerilen Kaynaklar
SUGGESTED TEXTBOOK • `Python Machine Learning` by Sebastian Raschka and Vahid Mirjalili` • “Building Machine Learning Powered Applications` by Emmanuel Ameisen`
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 50 |
| Derse Katılım | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 50 |
| Proje Tasarımı/Yönetimi | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 13 | 1 | 13 |
| Uygulama/Pratik | 10 | 3 | 30 |
| Problem Çözümü | 5 | 1 | 5 |
| Takım/Grup Çalışması | 5 | 1 | 5 |
| Örnek Vaka İncelemesi | 5 | 1 | 5 |
| Proje Hazırlama | 1 | 10 | 10 |
| Proje Sunma | 1 | 2 | 2 |
| Proje Tasarımı /Yönetimi | 1 | 10 | 10 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 5 | 5 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 5 | 5 |
| Toplam İş Yükü (saat) | 94 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
| ÖÇ 3 |
| ÖÇ 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek