Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
PATTERN CLASSIFICATION	Üçüncü Düzey	CENG 530		2	7.50	7.50	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	Yok
Eğitimin Dili	İngilizce
Koordinatör
Dersi Veren Öğretim Eleman(lar)ı	YRD.DOÇ. DR. ÖZKAN UFUK NALBANTOĞLU
Yardımcı Öğretim Eleman(lar)ı	Yok
Dersin Veriliş Şekli	Yüz yüze
Dersin Amacı	Bu dersin amacı öğrencinin Bayes karar teorisi, doğrusal ayırtaçlar, karar ağaçları, en yakın komşu kümelemesi, yapay sinir ağlarıö destek vektör makineleri gibi örüntü sınıflandırma algoritmalarının öğrenmesini sağlamaktır.
Dersin Tanımı	Bu ders parametrik ve parametrik olmayan sınıflandırma araçları, sınıflandırma algoritmalarının teorisini ve algoritmik uygulamalarını içermektedir.

Dersin İçeriği

1	Parametric and non-parametric classification techniques
2	Decision trees
3	k-nearest neighbor algorithm
4	Probablistic models and Naive Bayesian classifier
5	Linear classifiers and perceptron
6	Artificial Neural Networks
7	Artificial Neural Networks and Backpropagation Algorithm
8	Large margin classifiers and Lagrangian optimization
9	Support Vector Machines
10	Bayesian Networks
11	Bayesian Networks and Belief Propagation
12	Feature selection
13	Feature extraction
14	Classifier performance assesment
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Doğrusal cebir ile sınıflandırma algoritmalarının ilişkisinin kurulması
2	Lagranj optimizasyon tekniklerinin sınıflandırıcı eğitiminde kullanılmasının öğrenilmesi
3	Parametrik ve parametrik olmayan öğrenme modelleri oluşturma becerisi
4	Yapay sinir ağları ile sınıflandırma 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	Mekatronik mühendisliği alanında bilimsel araştırma yaparak bilgiye derinlemesine ulaşabilme, bilgiyi değerlendirme, yorumlama ve uygulama becerisine sahip olur.
2	Sınırlı verileri kullanarak bilimsel yöntemlerle aynı veya farklı disiplinlere ait bilgileri bütünleştirebilme becerisine sahip olur.
3	Mühendislik problemlerini tanımlayabilme, çözüm yöntemi geliştirme ve çözümlerde yenilikçi yöntemler uygulama ve geliştirebilme becerisine sahip olur.
4	Analitik, modelleme ve deneysel esaslı süreçleri tasarlama ve uygulama becerisi kazanır ve bu süreçte karşılaşılan karmaşık durumları analiz etme ve yorumlama becerisine sahip olur.
5	Mesleğinin yeni ve gelişmekte olan uygulamaları hakkında bilgi sahibi olur ve gerektiğinde bunları kullanma becerisi kazanır.
6	Verilerin toplanması ve yorumlanması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
7	Çalışmalarını ulusal ve uluslararası ortamlarda yazılı ya da sözlü olarak aktarabilme becerisine sahip olur.
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	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 Classification, Richard O. Duda, Peter E. Hart, David G. Stork, Wiley
Yardımcı Kaynaklar	Pattern Recognition and Machine Learning, Christopher Bishop, Springer

Ders İle İlgili Dosyalar