Dersin Adı Dersin Seviyesi Dersin Kodu Dersin Tipi Dersin Dönemi Yerel Kredi AKTS Kredisi Ders Bilgileri
MAKİNELİ ÖĞRENME İkinci Düzey BİM 535 1 7.50 7.50 Yazdır
   
Dersin Tanımı
Ön Koşul Dersleri -
Eğitimin Dili Türkçe
Koordinatör DR. ÖĞR. ÜYESİ NESİBE YALÇIN
Dersi Veren Öğretim Eleman(lar)ı DOÇ. DR. NESİBE YALÇIN
Yardımcı Öğretim Eleman(lar)ı -
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, Hiyerarşik Kümeleme, 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 Endüstri mühendisliği alanında ileri düzeyde kuramsal ve uygulamalı bilgiye sahip olarak, bu bilgileri disiplinler arası bağlamda bütünleştirip karmaşık mühendislik problemlerinin çözümünde etkin ve eleştirel bir yaklaşımla kullanabilme.
2 Karmaşık ve belirsizlik içeren endüstri mühendisliği problemlerini ileri matematiksel, istatistiksel ve optimizasyon temelli yöntemlerle modelleyebilme, çözümleyebilme ve alternatif çözüm yaklaşımlarını karşılaştırmalı olarak değerlendirebilme.
3 Alanıyla ilgili ulusal ve uluslararası bilimsel literatürü sistematik ve eleştirel bir bakış açısıyla inceleyebilme, elde edilen bilgileri sentezleyerek yeni bakış açıları geliştirebilme.
4 Gerçek hayat sistemlerini analitik modelleme, simülasyon ve veri analitiği teknikleri kullanarak temsil edebilme, elde edilen sonuçları yorumlayarak karar verme süreçlerine bilimsel katkı sağlayabilme.
5 Endüstri mühendisliği alanına yönelik bir problemi bilimsel araştırma yöntemlerine uygun biçimde tanımlayabilme, araştırma tasarlayabilme, veri toplayabilme, analiz edebilme ve sonuçları bilimsel olarak yorumlayabilme.
6 Farklı disiplinlerden uzmanlarla birlikte çok disiplinli takımlarda etkin rol alabilme, sistem yaklaşımı çerçevesinde karmaşık problemlerin çözümüne katkı sunabilme.
7 Alanıyla ilgili bir çalışmayı bağımsız olarak planlayabilme, yürütebilme ve sonuçlandırabilme, bu süreçte bilimsel etik ilkelere ve kalite standartlarına uygun hareket edebilme.
8 Elde ettiği bulguları bilimsel raporlar, teknik dokümanlar ve sözlü sunumlar aracılığıyla açık, sistematik ve etkili bir şekilde ifade edebilme.
9 Gerçekleştirdiği araştırma sonuçlarını ulusal ve/veya uluslararası bilimsel platformlarda sunabilme, akademik yayın haline getirebilme ve bilimsel tartışmalara katkı sağlayabilme.
10 Alanında kullanılan modern mühendislik araçlarını, yazılımları ve veri analitiği tekniklerini ileri düzeyde kullanabilme ve bu araçları problem çözüm süreçlerine entegre edebilme.
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 80
Kısa sınav 0 0
Ödev 1 20
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 1- Tom M. Mitchell, Machine Learning, McGraw-Hill Education, 1997 2- Makineli Öğrenme Dersi Sunum Notları, Nesibe Yalçın, 2025
Yardımcı Kaynaklar 1- Ethem Alpaydın, Introduction to Machine Learning, The MIT Press, 2010 2- Atınç Yılmaz, Makine Öğrenmesi: Teorisi ve Algoritmaları, Papatya Bilim Yayınevi, 2018

Ders İle İlgili Dosyalar