Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
MAKİNE ÖĞRENMESİNE GİRİŞ	İkinci Düzey	UZM T54		7	4.00	4.00	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	-
Eğitimin Dili	Türkçe
Koordinatör	ÖĞRETİM GÖREVLİSİ ERKAN YILMAZ
Dersi Veren Öğretim Eleman(lar)ı	-
Yardımcı Öğretim Eleman(lar)ı	-
Dersin Veriliş Şekli	Yüz yüze
Dersin Amacı	Bu dersin amacı; öğrencilerin makine öğrenmesinin temel kavramlarını, öğrenme türlerini ve model geliştirme aşamalarını kavramalarını; verileri kullanarak sınıflandırma, regresyon ve kümeleme problemlerine temel çözümler geliştirebilmelerini sağlamaktır.
Dersin Tanımı	Bu ders; makine öğrenmesine giriş, veri hazırlama, özellik seçimi ve çıkarımı, denetimli ve denetimsiz öğrenme, sınıflandırma, regresyon, kümeleme, model eğitimi, test işlemleri ve performans değerlendirme yöntemlerini kapsamaktadır. Karar ağaçları, destek vektör makineleri, K-en yakın komşu, yapay sinir ağları ve K-ortalama gibi temel algoritmalar incelenmektedir.

Dersin İçeriği

1	Makine öğrenmesine giriş, temel kavramlar ve uygulama alanları
2	Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki ilişkiler
3	Veri türleri, veri toplama ve veri ön işleme yöntemleri
4	Eksik veriler, aykırı değerler, normalizasyon ve standartlaştırma
5	Özellik seçimi, özellik çıkarımı ve boyut indirgeme
6	Denetimli öğrenme ve regresyon problemleri
7	Doğrusal regresyon ve çoklu doğrusal regresyon yöntemleri
8	Sınıflandırma problemleri ve lojistik regresyon
9	K-en yakın komşu ve Naive Bayes algoritmaları
10	Karar ağaçları, rastgele orman ve topluluk öğrenme yöntemleri
11	Destek vektör makineleri ve sınıflandırma uygulamaları
12	Denetimsiz öğrenme ve K-ortalama kümeleme yöntemi
13	Yapay sinir ağlarına ve derin öğrenmeye giriş
14	Model eğitimi, doğrulama, performans ölçütleri ve örnek makine öğrenmesi uygulamaları
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Makine öğrenmesinin temel kavramlarını ve uygulama alanlarını açıklar.
2	Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki farkları tanımlar.
3	Veri toplama, temizleme ve ön işleme yöntemlerini uygular.
4	Özellik seçimi, özellik çıkarımı ve veri dönüştürme işlemlerini gerçekleştirir.
5	Regresyon ve sınıflandırma problemlerini birbirinden ayırt eder.
6	Temel denetimli öğrenme algoritmalarını uygun problemlere uygular.
7	Kümeleme gibi denetimsiz öğrenme yöntemlerini kullanır ve sonuçlarını yorumlar.
8	Eğitim ve test verilerini kullanarak makine öğrenmesi modeli geliştirir.
9	Model başarımını doğruluk, kesinlik, duyarlılık ve hata ölçütleriyle değerlendirir.
10	Mühendislik problemlerine yönelik temel bir makine öğrenmesi uygulaması tasarlar ve sonuçlarını yorumlar

*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 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	0	0	0
Sunum / Seminer hazırlama	0	0	0
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	1	5	5
Ara sınavlar	1	2	2
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	1	5	5
Yarıyıl sonu sınavı	1	2	2
Araştırma	0	0	0
Toplam iş yükü			98
AKTS			4.00

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	40
Kısa sınav	0	0
Ödev	0	0
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	-
Yardımcı Kaynaklar	Öğretim Elemanı Ders Notları

Ders İle İlgili Dosyalar