Dersin Adı Dersin Seviyesi Dersin Kodu Dersin Tipi Dersin Dönemi Yerel Kredi AKTS Kredisi Ders Bilgileri
MAKİNE ÖĞRENMESİ Üçüncü Düzey ENM 628 Seçmeli 1 7.50 7.50 Yazdır
   
Dersin Tanımı
Ön Koşul Dersleri --
Eğitimin Dili Türkçe
Koordinatör PROF. DR. İBRAHİM DOĞAN
Dersi Veren Öğretim Eleman(lar)ı PROF. DR. İBRAHİM DOĞAN
Yardımcı Öğretim Eleman(lar)ı --
Dersin Veriliş Şekli Sınıf (yüz yüze)
Dersin Amacı Temel makine öğrenme algoritmalarını tanıtmak, bu algoritmalarla çözülebilen problemleri tanıtmak, hangi algoritmanın hangi problemle çözülebileceğini kavratmak ve cesitli üretim ve tedarik zinciri problemlerinde uygulamasını yapmak
Dersin Tanımı Denetimli Öğrenme Algoritmaları, Denetimsiz Öğrenme Algoritmaları, Takviyeli Öğrenme, Markov Karar Süreci, Saklı Markov Modelleri, Makine Öğrenmesinde kullanılacak programlama araçları

Dersin İçeriği
1 Makine Öğrenmede temel kavramlar
2 Makine öğrenmesinde algoritmaların sınıflandırması, Programlama Araçları
3 Lineer Regresyon Modeli ve Gradyan Azalma Yöntemi
4 Lojistik Regresyon
5 Destek Vektör Makinaları,
6 Destek Vektör Makinaları ve Karar Ağaçları
7 Makine Öğrenmesinde Kümeleme Algoritmaları
8 Makine Öğrenmesinde Kümeleme Algoritmaları
9 Ara Sınav
10 Saklı Markov Modelleri
11 Saklı Markov Modelleri
12 Markov Karar Süreci
13 Takviyeli Öğrenme
14 Takviyeli Öğrenme
15 --
16 --
17 --
18 --
19 --
20 --

Dersin Öğrenme Çıktıları
1 Makine öğrenmesinde ileri düzey yaklaşımları ve kavramları açıklar
2 Denetimli, denetimsiz ve takviyeli öğrenme yöntemlerini uygular
3 İstatiksel öğrenme teorisinin kavramlarını açıklar
4 Model performanslarını ileri düzey ölçütlerle yorumlar ve raporlar
5 Python ve farklı programlama dillerini kullanarak makine öğrenme algoritmalarını uygular
6 Veri ön analizi gerçekleştirerek, hiper parametre optimizasyonu yapar ve model seçimi yöntemlerini uygular.
7 --
8 --
9 --
10 --

*Dersin Program Yeterliliklerine Katkı Seviyesi
1 Endüstri mühendisliği alanında derinlemesine ve sistematik bilgiye sahip olarak, bu bilgiyi genişletebilecek ve yeniden yapılandırabilecek düzeyde kuramsal ve uygulamalı yetkinlik geliştirebilme.
2 Alanındaki karmaşık problemlere yönelik özgün model, yöntem veya algoritmalar geliştirebilme, bu katkıları bilimsel literatüre yenilikçi ve ileri düzeyde katkı sağlayacak şekilde sunabilme.
3 Bilimsel literatürü ileri düzeyde analiz edebilme, eleştirel değerlendirme yapabilme ve mevcut bilgi birikimindeki boşlukları tespit ederek yeni araştırma problemleri tanımlayabilme.
4 Karmaşık sistemleri yenilikçi modelleme, simülasyon, optimizasyon ve veri bilimi yaklaşımlarıyla analiz edebilme, elde edilen sonuçlardan genellenebilir ve teorik katkı sağlayan çıkarımlar üretebilme.
5 Bağımsız olarak özgün bir araştırma süreci tasarlayabilme, yönetebilme, uygulayabilme ve sonuçlarını bilimsel geçerlilik ve güvenilirlik kriterlerine uygun biçimde değerlendirebilme.
6 Disiplinlerarası araştırmalarda liderlik üstlenebilme, araştırma ekiplerini yönlendirebilme ve ulusal/uluslararası iş birlikleri geliştirebilme.
7 Bilimsel araştırma ve yayın süreçlerini etik ilkeler, akademik dürüstlük ve kalite standartları doğrultusunda yönetebilme ve bu ilkeleri yaygınlaştırabilme.
8 Araştırma çıktılarının uluslararası düzeyde saygın ve yüksek etkili bilimsel dergilerde yayımlanmasını sağlayarak alanın bilgi birikimine özgün katkı sunabilme.
9 Ürettiği bilimsel bilgiyi akademik, endüstriyel ve toplumsal bağlamlarda uygulamaya aktarabilme, karar vericilere ve politika yapıcılara katkı sağlayabilme.
10 Alanındaki gelişmeleri yönlendirebilecek düzeyde yenilikçi düşünme, teknoloji geliştirme ve bilgi üretme kapasitesi sergileyerek bilimsel ve teknolojik ilerlemeye katkı sağlayabilme.
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 13 3 39
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme) 25 3 75
Ödevler 1 10 10
Sunum / Seminer hazırlama 1 10 10
Kısa sınavlar 0 0 0
Ara sınavlara hazırlık 1 25 25
Ara sınavlar 1 3 3
Proje (Yarıyıl ödevi) 0 0 0
Laboratuvar 0 0 0
Arazi çalışması 0 0 0
Yarıyıl sonu sınavına hazırlık 1 25 25
Yarıyıl sonu sınavı 1 3 3
Araştırma 0 0 0
Toplam iş yükü     190
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 Machine Learning, by Tom Mitchell, McGraw-Hill, 1997
Yardımcı Kaynaklar Machine Learning, by Tom Mitchell, McGraw-Hill, 1997

Ders İle İlgili Dosyalar