Dersin Adı Dersin Seviyesi Dersin Kodu Dersin Tipi Dersin Dönemi Yerel Kredi AKTS Kredisi Ders Bilgileri
MAKİNE ÖĞRENME TEKNİKLERİ İkinci Düzey ENM 535 Seçmeli 1 7.50 7.50 Yazdır
   
Dersin Tanımı
Ön Koşul Dersleri __
Eğitimin Dili Türkçe
Koordinatör
Dersi Veren Öğretim Eleman(lar)ı PROF. DR. İBRAHİM DOĞAN
Yardımcı Öğretim Eleman(lar)ı __
Dersin Veriliş Şekli Teorik - Yüz yüze
Dersin Amacı Temel makine öğrenme algoritmalarını tanıtmak, bu algoritmalarla çözülebilen problemleri tanıtmak, hangi algoritmanın hangi problemle çözülebileceğini kavratmak ve cesitli uretim ve tedarik zinciri problemlerinde uygulamasini yapmak
Dersin Tanımı Olasilik, temel olasilik dagilimlari, Kavramsal öğrenme, Regresyon icin lineer modeller, Destekli ogrenme, Bayes Öğrenme, Grafiksel modeller, Bayes Aglari, Dinamik Bayes Aglari, Olasılıksal karışım modelleri, Destek Vektör Makinaları,

Dersin İçeriği
1 Olasilik,
2 temel olasilik dagilimlari,
3 Kavramsal öğrenme,
4 Regresyon icin lineer modeller,
5 Regresyon icin lineer modeller,
6 Lojistik Regresyon
7 Destekli ogrenme,
8 Destekli ogrenme,
9 Vize
10 Grafiksel modeller,
11 Bayes Aglari,
12 Bayes Aglari,
13 Dinamik Bayes Aglari,
14 Olasılıksal karışım modelleri,
15 Destek Vektör Makinaları,
16 __
17 __
18 __
19 __
20 __

Dersin Öğrenme Çıktıları
1 Öğrencilerin bilgisayarların veri ve deneyimden otomatik olarak öğrendiği methodlar hakkında bilgi sahibi olması
2 Öğrencilerin Danışmanlı, Danışmansız ve Destekli öğrenme yöntemlerini kullanarak mühendislik, tıp vb alanlardaki büyük veri setleri ile analiz yapması ve bilgi çıkarması.
3 __
4 __
5 __
6 __
7 __
8 __
9 __
10 __

*Dersin Program Yeterliliklerine Katkı Seviyesi
1 Uzmanlığını kullanarak endüstri mühendisliği problemlerini tanımlayabilme ve yenilikçi çözümler üretebilme becerisi kazanır.
2 Alanında karşılaşılabilecek sorunları tanımlayarak uygun modelleme yöntemleri ile çözme becerisi kazanır.
3 Konusunda, ulusal ve uluslararası düzeydeki bilimsel çalışmaları takip ederek alanındaki bilimsel ve teknolojik gelişmeleri derinlemesine izleyebilme yeteneği kazanır.
4 Sistemlerin modellenmesi, benzetimi ve matematiksel ifade etme yeteneği kazanır. Endüstri Mühendisliği problemlerini inceleyebilmek için deneyler tasarlama, gerçekleştirme, veri toplama, verileri analiz etme ve sonuçları yorumlama yeteneği kazanır.
5 Endüstri Mühendisliği problemlerini inceleyebilmek için deneyler tasarlama, gerçekleştirme, veri toplama, verileri analiz etme ve sonuçları yorumlama yeteneği kazanır.
6 Disiplinler arası yapıdaki problemleri çözmek için disiplinler arası takımlara ulaşarak onlarla işbirliği yapabilme yeteneği kazanır.
7 Fakülte çalışanı birisinin gözetimi altında sunulabilir bir çalışma yapma yeteneği kazanır.
8 Endüstriyel ve sistemsel teknik bilgileri profesyonel seviyede yazılı, sözlü ve iş grafikleri formatında iletebilme yeteneği kazanır.
9 Bilimsel yayın yapabilme yeteneği kazanır.
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 3 42
Ödevler 1 10 10
Sunum / Seminer hazırlama 1 10 10
Kısa sınavlar 0 0 0
Ara sınavlara hazırlık 1 30 30
Ara sınavlar 1 3 3
Proje (Yarıyıl ödevi) 1 30 30
Laboratuvar 0 0 0
Arazi çalışması 0 0 0
Yarıyıl sonu sınavına hazırlık 1 15 15
Yarıyıl sonu sınavı 1 3 3
Araştırma 0 0 0
Toplam iş yükü     185
AKTS     7.50

Değerlendirme yöntemleri ve kriterler
Yarıyıl içi değerlendirme Sayısı Katkı Yüzdesi
Ara sınav 1 50
Kısa sınav 0 0
Ödev 1 50
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 Machine Learning, by Tom Mitchell, McGraw-Hill, 1997
Yardımcı Kaynaklar Machine Learning, by Tom Mitchell, McGraw-Hill, 1997

Ders İle İlgili Dosyalar