GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| BTT514 | Makine Öğrenimi Ve Örüntü Tanıma | Seçmeli Ders Grubu | 1 | 1 | 6.00 | 3.00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, öğrencilere makine öğrenme ve örüntü tanıma konularını öğretmek, denetimli ve denetimsiz öğrenme yöntemlerine odaklanmak, doğal dil işleme, derin öğrenme, örüntü tanıma gibi önemli konuları ele almak, öğrenme kuramları ve otomatik öğrenme araçlarını keşfetmek, makine öğrenme ve örüntü tanıma alanındaki gelecek trendlerini ve uygulamalarını incelemektir.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğrenme Çıktıları
| 1 | Öğrenci, makine öğrenimi algoritmalarının temel ilkelerini açıklar ve uygun algoritmayı probleme göre seçebilir. |
| 2 | Öğrenci, örüntü tanıma tekniklerini kullanarak gerçek veri setleri üzerinde sınıflandırma ve kümeleme işlemleri gerçekleştirir. |
| 3 | Öğrenci, Python programlama dili ve ilgili kütüphanelerle (scikit-learn, NumPy, pandas) makine öğrenimi modelleri geliştirip değerlendirebilir. |
| 4 | öğrenme kuramları ve otomatik öğrenme araçlarını keşfetmek, |
| 5 | makine öğrenme ve örüntü tanıma alanındaki gelecek trendlerini ve uygulamalarını incelemek |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Lineer Cebir Olasılık ve İstatistik Programlamaya Giriş veya Python ile Programlama Veri Yapıları ve Algoritmalar (önerilir)
Ders İçin Önerilen Diğer Hususlar
Öğrencilerin Python programlama diline hakim olmaları önerilir. Matematiksel modelleme, vektör-matris işlemleri ve istatistiksel düşünmeye yatkınlık faydalıdır. Scikit-learn, pandas, NumPy gibi kütüphanelerle önceden çalışma yapılması avantaj sağlar. Veri analizi ve grafiklerle çalışma deneyimi olan öğrenciler dersi daha rahat takip edebilir.
Dersin İçeriği
Bu dersin amacı, öğrencilere makine öğrenme ve örüntü tanıma konularını öğretmek, denetimli ve denetimsiz öğrenme yöntemlerine odaklanmak, doğal dil işleme, derin öğrenme, örüntü tanıma gibi önemli konuları ele almak, öğrenme kuramları ve otomatik öğrenme araçlarını keşfetmek, makine öğrenme ve örüntü tanıma alanındaki gelecek trendlerini ve uygulamalarını incelemektir.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|
| 1 | Makine Öğrenmeye Giriş | ||
| 2 | Denetimli Öğrenme: Sınıflandırma | ||
| 3 | Denetimli Öğrenme: Regresyon | ||
| 4 | Denetimsiz Öğrenme: Kümeleme | ||
| 5 | Boyut Azaltma ve Öznitelik Seçimi | ||
| 6 | Makine Öğrenme Performans Değerlendirme | ||
| 7 | Doğal Dil İşleme ve Metin Sınıflandırması | ||
| 8 | Ara Sınav | ||
| 9 | Derin Öğrenme Uygulamaları ve Gelişmiş Sinir Ağları | ||
| 10 | Öğrenme Kuramları ve Öğrenme Otomasyonu | ||
| 11 | Örüntü Tanıma: Temel Kavramlar ve Yöntemler | ||
| 12 | Örüntü Tanıma: Biyometrik Uygulamalar ve Yüz Tanıma | ||
| 13 | Örüntü Tanıma: Hareket Tanıma ve Nesne Algılama | ||
| 14 | Makine Öğrenme ve Örüntü Tanıma'da Gelecek Trendler ve Uygulamalar | ||
| 15 | Örüntü tanıma uygulamaları ve vaka analizleri | Geri bildirim odaklı değerlendirme | Kaggle üzerindeki basit projelerin incelenmesi |
Ders Kitabı Malzemesi Önerilen Kaynaklar
`Pattern Recognition and Machine Learning` - Christopher M. Bishop `Machine Learning: A Probabilistic Perspective` - Kevin P. Murphy `Deep Learning` - Ian Goodfellow, Yoshua Bengio, Aaron Courville `Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow` - Aurélien Géron `Pattern Classification` - Richard O. Duda, Peter E. Hart, David G. Stork
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
Bulunmamaktadır
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 | 76 | 76 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 72 | 72 |
| Toplam İş Yükü (saat) | 150 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | |
| ÖÇ 1 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | |
| ÖÇ 2 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 3 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | ||||
| ÖÇ 4 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | ||
| ÖÇ 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek