| 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 |
|
Ön koşul dersleri
|
-
|
|
Eğitimin dili
|
Türkçe
|
|
Koordinatör
|
DR. ÖĞR. ÜYESİ NESİBE YALÇIN
|
|
Dersi veren öğretim eleman(lar)ı
|
Yrd. Doç. Dr. Özkan Ufuk NALBANTOĞLU
|
|
Yardımcı öğretim eleman(lar)ı
|
-
|
|
Dersin veriliş şekli
|
Yüzyüze
|
|
Dersin amacı
|
Bu dersin amacı öğrencinin Bayes karar teorisi, doğrusal ayırtaçlar, karar ağaçları, en yakın komşu kümelemesi, yapay sinir ağları, destek vektör makineleri ve regresyon makineleri gibi makine öğrenme algoritmalarının öğrenmesini sağlamaktır.
|
|
Dersin tanımı
|
Bu ders parametrik ve parametrik olmayan sınıflandırma ve regresyon araçları, bu algoritmalarının teorisini ve algoritmik uygulamalarını içermektedir.
|
|
1- |
Parametrik ve parametrik olmayan makine öğrenme yöntemleri
|
|
2- |
Karar Ağaçları
|
|
3- |
Olasılık Modelleri ve Naive Bayes algoritması
|
|
4- |
Doğrusal Çoklu Regresyon
|
|
5- |
Doğrusal modeller ve perseptron algoritması.
|
|
6- |
Yapay Sinir Ağları
|
|
7- |
Yapay sinir ağları ve geri yayılım yöntemiyle öğrenme
|
|
8- |
Geniş marjin sınıflandırıcıları ve Lagranj optimizasyonu
|
|
9- |
Doğrusal olmayan regresyon yöntemleri
|
|
10- |
Bayes Ağları
|
|
11- |
Bayes Ağları ve inanç yayılım algoritması
|
|
12- |
Özellik Seçimi
|
|
13- |
Özellik Çıkarımı
|
|
14- |
Kalite ölçüm kriterleri
|
|
15- |
|
|
16- |
|
|
17- |
|
|
18- |
|
|
19- |
|
|
20- |
|
|
1- |
Doğrusal cebir ile veri analizi algoritmalarının ilişkisinin kurulması
|
|
2- |
Lagranj optimizasyon tekniklerinin yapay öğrenme eğitiminde kullanılmasının öğrenilmesi
|
|
3- |
Parametrik ve parametrik olmayan öğrenme modelleri oluşturma becerisi
|
|
4- |
Yapay sinir ağları ile sınıflandırma ve regresyon yapma becerisi
|
|
5- |
Karar ağaçları, destek vektör makineleri ve Bayes yöntemleri ile örüntü eğitiminin öğrenilmesi
|
|
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 iş 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
|
2
|
10
|
20
|
|
Sunum / Seminer hazırlama
|
1
|
20
|
20
|
|
Kısa sınavlar
|
0
|
0
|
0
|
|
Ara sınavlara hazırlık
|
1
|
14
|
14
|
|
Ara sınavlar
|
1
|
2
|
2
|
|
Proje (Yarıyıl ödevi)
|
1
|
20
|
20
|
|
Laboratuvar
|
0
|
0
|
0
|
|
Arazi çalışması
|
0
|
0
|
0
|
|
Yarıyıl sonu sınavına hazırlık
|
1
|
28
|
28
|
|
Yarıyıl sonu sınavı
|
1
|
2
|
2
|
|
Araştırma
|
0
|
0
|
0
|
|
Toplam iş yükü
|
|
|
190
|
|
AKTS
|
|
|
7.50
|
|
Değerlendirme yöntemleri ve kriterler
|
|
Yarıyıl içi değerlendirme
|
Sayısı
|
Katkı Yüzdesi
|
|
Ara sınav
|
1
|
20
|
|
Kısa sınav
|
0
|
0
|
|
Ödev
|
1
|
20
|
|
Yarıyıl içi toplam
|
|
40
|
|
Yarıyıl içi değerlendirmelerin başarıya katkı oranı
|
|
40
|
|
Yarıyıl sonu sınavının başarıya katkı oranı
|
|
60
|
|
Genel toplam
|
|
100
|
|
Önerilen veya zorunlu okuma materyalleri
|
|
Ders kitabı
|
Pattern Recognition and Machine Learning, Christopher Bishop, Springer
|
|
Yardımcı Kaynaklar
|
Deep Learning with Python, Francois Chollet, Manning
|
|