Dersin Adı Dersin Seviyesi Dersin Kodu Dersin Tipi Dersin Dönemi Yerel Kredi AKTS Kredisi Ders Bilgileri
MAKİNE ÖĞRENMESİ Üçüncü Düzey ENM 628 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 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 Makine Öğrenmede temel kavramlar
2 İstatiksel Öğrenme
3 İstatiksel Öğrenme
4 Lineer RegresyonModeli
5 Lojistik Regresyon
6 Öğrenme teorisi
7 Öğrenme teorisi
8 Ara Sinav
9 Destek Vektör Makinaları,
10 Destek Vektör Makinaları,
11 Destekli öğrenme,
12 Bayes Ağları,
13 Dinamik Bayes Aglari,
14 Olasılıksal karışım modelleri,
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 Yüksek Lisans düzeyindeki bilgi ve becerilerini, aynı veya farklı bir alanda uzmanlık düzeyinde geliştirir, derinleştirir ve analiz edip, yorumlar.
2 Kendi alanında kullanılan modern araç ve gereçleri kullanmada ve geliştirmede uzmanlaşır.
3 Alanında edindiği bilgileri diğer disiplin alanlarından gelen bilgilerle sentezleyerek yorumlar ve yeni fikirler yaratır.
4 Alanında sahip olduğu üst düzey bilgi ve tecrübeyi, içinde bulunduğu koşullara uyarlayarak farklı araştırma yöntemlerini kullanır ve ortaya çıkan problemlere karşı bilimsel yaklaşımlar ve stratejiler geliştirir.
5 Yaratıcı ve eleştirel düşünme, sorun çözme ve karar verme gibi üst düzey zihinsel süreçleri kullanarak alanı ile ilgili yeni düşünce ve yöntemler geliştirir.
6 En az bir yabancı dili kullanarak alanıyla ilgili yabancı kaynaklara ulaşır, bilgilerini günceller ve meslektaşlarıyla dünya çapında sözlü, yazılı ve görsel iletişim kurar ve tartışır.
7 Alanı ile ilgili en az bir bilimsel makaleyi uluslar arası hakemli dergilerde yayınlayarak alanındaki bilginin sınırlarını genişletir
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 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