GERİ DÖN

Ders Öğretim Planı

Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS Kredi
YZM508 Görüntü İşleme ve Örüntü Tanıma Seçmeli Ders Grubu 1 1 6.00 3.00

Dersin Seviyesi

Yüksek Lisans

Dersin Sunulduğu Dil

Dersin Amacı

Öğrencilere dijital görüntü işleme teknikleri ile örüntü tanıma yöntemlerinin temel prensiplerini öğretmek. Görüntü verilerinin işlenmesi, analizi ve sınıflandırılması konusunda uygulamalı beceri kazandırmak. Mühendislik, sağlık, güvenlik ve yapay zeka alanlarında görüntü işleme ve örüntü tanımanın kullanım alanlarını tanıtmak.

Dersi Veren Öğretim GörevlisiGörevlileri

Öğrenme Çıktıları

1 Öğrenci, dijital görüntü işleme ve örüntü tanımanın temel kavramlarını ve yöntemlerini açıklayabilir.
2 Öğrenci, görüntü verilerini işleyerek özellik çıkarımı, sınıflandırma ve kümeleme analizleri yapabilir.
3 Öğrenci, MATLAB veya Python kütüphanelerini (OpenCV, scikit-learn, TensorFlow vb.) kullanarak görüntü işleme uygulamaları geliştirebilir.

Öğrenim Türü

Birinci Öğretim

Dersin Ön Koşulu Olan Dersler

yok

Ders İçin Önerilen Diğer Hususlar

Dersin uygulamalı kısmında MATLAB, Python (OpenCV, scikit-learn, TensorFlow) gibi yazılımların kullanılması önerilir. Öğrencilerin dönem boyunca küçük projeler veya ödevler yaparak uygulama becerilerini geliştirmeleri faydalıdır.

Dersin İçeriği

Görüntü işleme ve örüntü tanımaya giriş Dijital görüntülerin temsil edilmesi Görüntü iyileştirme teknikleri (filtreleme, histogram eşitleme) Kenar, köşe ve bölge tespiti Özellik çıkarımı ve boyut indirgeme Örüntü tanıma temelleri Sınıflandırma yöntemleri (K-en yakın komşu, Naive Bayes, Destek Vektör Makineleri) Kümeleme yöntemleri (K-means, hiyerarşik kümeleme) Yapay sinir ağları ve derin öğrenme ile örüntü tanıma Görüntü işleme uygulamaları (biyometri, tıbbi görüntüleme, güvenlik sistemleri

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik [OgretimYontemVeTeknikleri] [OnHazirlik]
1 Görüntü işleme ve örüntü tanımaya giriş Anlatım, tartışma Ders kitabı giriş bölümü
2 Dijital görüntülerin temsil edilmesi Anlatım, uygulama MATLAB/Python kurulumu
3 Görüntü iyileştirme teknikleri (filtreleme, histogram eşitleme) Anlatım, uygulama Histogram kavramını inceleme
4 Kenar tespiti (Sobel, Canny) Anlatım, uygulama Örnek kenar bulma algoritmalarını araştırma
5 Köşe ve bölge tespiti Anlatım, uygulama Köşe tespitine dair okuma
6 Özellik çıkarımı ve boyut indirgeme Anlatım, uygulama PCA kavramını inceleme
7 Örüntü tanıma temelleri Anlatım, örnek çözümü Temel örüntü tanıma okuma
8 Ara sınav ve tekrar Sınav, tartışma Önceki ders notlarının gözden geçirilmesi
9 Sınıflandırma yöntemleri (KNN, Naive Bayes, SVM) Anlatım, uygulama KNN-SVM algoritmalarını araştırma
10 Kümeleme yöntemleri (K-means, hiyerarşik) Anlatım, uygulama Kümeleme teknikleri üzerine okuma
11 Yapay sinir ağlarına giriş Anlatım, bilgisayar uygulaması Yapay sinir ağı kavramı araştırma
12 Derin öğrenme ile örüntü tanıma Anlatım, uygulama CNN üzerine kaynak okuma
13 Görüntü işleme uygulamaları (biyometri, tıbbi görüntüleme, güvenlik) Vaka analizi, proje çalışması Uygulama makaleleri inceleme
14 Genel tekrar, proje sunumları ve dönem sonu değerlendirme Tartışma, soru-cevap Tüm ders notlarının gözden geçirilmesi

Ders Kitabı Malzemesi Önerilen Kaynaklar

Planlanan Öğrenme Aktiviteleri ve Metodları

Değerlendirme

Yarıyıl (Yıl) İçi Etkinlikleri Adet Değer
Ara Sınav 1 100
Toplam 100
Yarıyıl (Yıl) Sonu Etkinlikleri Adet Değer
Final Sınavı 1 100
Toplam 100
Yarıyıl (Yıl) İçi Etkinlikleri 40
Yarıyıl (Yıl) Sonu Etkinlikleri 60

Staj Durumu

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ara Sınav 1 1 1
Final Sınavı 1 1 1
Ara Sınav İçin Bireysel Çalışma 1 72 72
Final Sınavı içiin Bireysel Çalışma 1 76 76
Toplam İş Yükü (saat) 150

Program ve Öğrenme Çıktıları İlişkisi

ÖÇ 1
ÖÇ 2
ÖÇ 3
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek