Dersin Adı Dersin Seviyesi Dersin Kodu Dersin Tipi Dersin Dönemi Yerel Kredi AKTS Kredisi Ders Bilgileri
MAKİNE ÖĞRENME TEKNİKLERİ İkinci Düzey ENM 535 1 7.50 7.50 Yazdır
   
Dersin Tanımı
Ön Koşul Dersleri __
Eğitimin Dili Türkçe
Koordinatör DR. ÖĞR. ÜYESİ GÜLHAN TOĞA
Dersi Veren Öğretim Eleman(lar)ı PROF. DR. İBRAHİM DOĞAN, DR. ÖĞR. ÜYESİ GÜLHAN TOĞA
Yardımcı Öğretim Eleman(lar)ı __
Dersin Veriliş Şekli Teorik -Yüz yüze
Dersin Amacı Bu dersin amacı, makine öğrenmesinin matematiksel temellerini, temel algoritmalarını ve model değerlendirme yöntemlerini öğretmek; öğrencilerin gerçek veri problemlerine uygun model tasarlayabilmesini sağlamaktır.
Dersin Tanımı Bu ders, makine öğrenmesinin temel kavramlarını, öğrenme türlerini, veri ön işleme süreçlerini, temel denetimli ve denetimsiz öğrenme algoritmalarını, model değerlendirme yöntemlerini ve güncel makine öğrenmesi yaklaşımlarını kapsar. Ders kapsamında öğrencilerin gerçek veri problemlerine uygun model seçme, geliştirme, değerlendirme ve sonuçları yorumlama becerisi kazanmaları amaçlanmaktadır.

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 Makine öğrenmesinin temel kavramlarını açıklar
2 Makine öğrenmesi problem türlerini açıklar
3 Makine öğrenmesi için ön veri analizini gerçekleştirebilir, eğitim, test ve doğrulama veri setleri oluşturur ve kullanır
4 Temel sınıflandırma algoritmalarını uygular
5 Temel gruplama algoritmalarını uygular
6 Mühendislik, tıp vb alanlardaki büyük veri setleri ile analiz ve bilgi çıkarımı yapar
7 __
8 __
9 __
10 __

*Dersin Program Yeterliliklerine Katkı Seviyesi
1 Lisans derecesi yeterlilikleri üzerine kurulan, aynı ya da farklı bir alandaki bilgilerin genişletilmesi ve derinleştirilmesi ile birlikte bilgiyi değerlendirme,yorumlama ve uygulama yapma gibi bilimsel araştırma yöntemlerini kullanarak bilgiye ulaşır
2 Biyoloji alanındaki sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi geliştirir, bilimsel, toplumsal ve etik sorumluluk ile kullanır
3 Biyoloji alanındaki bir problemi, bağımsız olarak kurgulayarak, çözüm yöntemi geliştirir, çözer, sonuçları değerlendirerek, gerektiğinde uygular
4 Biyoloji alanındaki güncel gelişmeleri ve kendi çalışmalarını, alanındaki ve dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli bir şekilde aktarır
5 Biyoloji alanındaki uygulamalarda karşılaşacağı öngörülmeyen karmaşık durumlarda, yeni stratejik yaklaşımlar geliştirir ve sorumluluk alarak çözüm üretir
6 Biyoloji alanı ile ilgili konularda strateji, politika ve uygulama planları geliştirir ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirir
7 En az bir yabancı dilde sözlü ve yazılı iletişim yeteneğine sahip olur (Avrupa Dil Portföyü B2 Genel Düzeyi)
8 Biyoloji alanının gerektirdiği bilgisayar yazılımı ve donanımı bilgisi ile birlikte bilişim ve iletişim teknolojilerini kullanır ve geliştirir
9 Biyoloji alanı ile ilgili verilerin toplanması, yorumlanması, duyurulması aşamalarında bilimsel, sosyal ve etik değerleri gözeterek bu değerleri öğretir ve denetler
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