Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
MAKİNELİ ÖĞRENME	Üçüncü Düzey	BİM 535		1	7.50	7.50	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	Yok
Eğitimin Dili	Türkçe
Koordinatör	DR. ÖĞR. ÜYESİ NESİBE YALÇIN
Dersi Veren Öğretim Eleman(lar)ı	DOÇ. DR. NESİBE YALÇIN
Yardımcı Öğretim Eleman(lar)ı	Yok
Dersin Veriliş Şekli	Yüz Yüze
Dersin Amacı	Makineli Öğrenme konularına ait teorik konuların, farklı alanlarda uygulama örnekleri ile birlikte öğretilmesi amaçlanmaktadır.
Dersin Tanımı	Makineli Öğrenmeye Giriş, Temel Kavramlar, Veri Ön İşleme, Model Seçimi, Özellik Seçimi, Performans Değerlendirme, Regresyon, Bayes Öğrenmesi, K En Yakın Komşu, K-ortalama, Karar Ağaçları, Pekiştirmeli Öğrenme – Q Learning, Yapay Sinir Ağları, Destek Vektör Makineleri, Uygulama Örnekleri

Dersin İçeriği

1	Makineli öğrenme yöntemleri
2	Model geliştirme aşamaları, Özellik seçimi, Parametre optimizasyonu
3	Doğrusal Regresyon, Çoklu Regresyon, Lojistik Regresyon
4	K En Yakın Komşu, K-ortalama
5	Performans Değerlendirme
6	Bayes Öğrenmesi, Naive Bayes
7	Karar Ağaçları
8	Arasınav
9	Topluluk öğrenme yöntemleri, Rastgele Orman
10	Pekiştirmeli Öğrenme – Q Learning
11	Destek Vektör Makineleri
12	Yapay Sinir Ağları
13	Derin Öğrenme
14	Güncel Araştırmalar ve Gelecek Çalışmalar
15	Güncel Araştırmalar ve Gelecek Çalışmalar
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Makineli öğrenme hakkında temel bilgi sahibidir.
2	Öğrenme algoritmalarını bilir.
3	Belirli bir problemi çözmek için hangi makineli öğrenme yöntem(ler)inin uygun olduğunu belirleyebilir.
4	Makineli öğrenme yöntemlerini gerçek dünya problemlerine uygulayabilir.
5	Makineli öğrenme ile ilgili bir konuda uygulama hazırlar.
6
7
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder

Planlanan Öğretim Faaliyetleri, Öğretme Metodları ve AKTS İş Yükü

	Sayısı	Süresi (saat)	Sayı*Süre (saat)
Yüz yüze eğitim	14	3	42
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	14	2	28
Ödevler	0	0	0
Sunum / Seminer hazırlama	1	15	15
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	1	25	25
Ara sınavlar	1	2	2
Proje (Yarıyıl ödevi)	1	50	50
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	0	0	0
Yarıyıl sonu sınavı	0	0	0
Araştırma	1	20	20
Toplam iş yükü			182
AKTS			7.50

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	100
Kısa sınav	0	0
Ödev	0	0
Yarıyıl içi toplam		100
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		40
Yarıyıl sonu sınavının başarıya katkı oranı		60
Genel toplam		100

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Tom M. Mitchell, Machine Learning, McGraw-Hill Education, 1997
Yardımcı Kaynaklar	Ethem Alpaydın, Introduction to Machine Learning, The MIT Press, 2010 Atınç Yılmaz, Makine Öğrenmesi: Teorisi ve Algoritmaları, Papatya Bilim Yayınevi, 2018

Ders İle İlgili Dosyalar