|
|
| BILL5190 | Machine Learning | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Yüksek Lisans(Tezli) | | Yazılım Şekli | Seçmeli | | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Dr. Öğr. Üyesi Elif BAYKAL KABLAN | | Diğer Öğretim Üyesi | | | Öğretim Dili | İngilizce | | Staj | Yok | | | | Dersin Amacı: | | Bu dersin amacı makine öğrenmesi ve istatistiksel nesne tanıma konularında geniş bir giriş sunmaktır. Denetimli öğrenme, Denetimsiz öğrenme, öğrenme teorisi ve takviyeli öğrenme gibi konuları öğretmeyi hedefler. Makine öğrenmesi alanındaki son zamanlardaki uygulamaları keşfetmenizi ve makineler için algoritmalar tasarlayıp geliştirmenizi sağlar. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Denetimli ve Denetimsiz öğrenme, öğrenme algoritmaları, model değerlendirmesi ve düzenlileştirme gibi makine öğrenimi temel kavramları ve prensiplerini sağlam bir şekilde anlar. | 2,5,11 | 1, | | ÖK - 2 : | k-en yakın komşuluk, Karar ağaçları, Naive Bayes, yapay sinir ağları ve Derin Öğrenme yöntemleri gibi çeşitli makine öğrenimi algoritmalarına aşina olur. Bu algoritmaların nasıl çalıştığını, güçlü ve zayıf yönlerini ve farklı senaryolarda ne zaman kullanılacağını anlamalıdırlar. | 2,5,11 | 1,5, | | ÖK - 3 : | Makine öğrenmesi tekniklerini gerçek dünya problemlerine uygulama konusunda pratik deneyim kazanır. Veriyi önişleme yapabilir, uygun özellikleri seçebilir, modelleri eğitebilir, hiperparametreleri ayarlayabilir ve makine öğrenimi modellerinin performansını değerlendirebilir. | 2,5,8 | 1,5, | | ÖK - 4 : | Popüler makine öğrenmesi kütüphaneleriyle çalışarak pratik uygulama becerileri geliştirir. scikit-learn, TensorFlow veya PyTorch gibi araçları kullanarak makine öğrenimi modellerini uygulayabilme ve dağıtabilme yeteneğine sahip olur. | 2,5 | 1,5, | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Makine Öğrenmesine Giriş, Makine Öğrenmesi Örnekleri, k-En Yakın Komşuluk, Çekirdek Regresyon, Uzaklık Metrikleri, Çok Boyutluluğun Laneti, Lineer Regresyon, Optimizasyon, Genelleştirme, Model Karmaşıklığı, Düzenlileştirme, Validasyon, Çapraz Validasyon, Model Seçimi, Naive Bayes, Lojistik Regresyon, Doğrusal Ayırtaç Fonksiyonu, Perceptron, Çok Katmanlı Perceptron, Geri Yayılım, Softmax Sınıflandırıcı, Derin Öğrenmeye Giriş, Konvolüsyonel Sinir Ağları, Konvolüsyonel Sinir Ağları, Transfer Öğrenme, Karar Ağaçları, Topluluk Öğrenme, Torbalama, Rastgele Öğrenme |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Dersin Tanımı, Makine Öğrenmesine Giriş | | | Hafta 2 | Örneklerle Makine Öğrenmesi, En Yakın Komşuluk Sınıflandırıcısı | | | Hafta 3 | Çekirdek Regresyon, Uzaklık Metrikleri | | | Hafta 4 | Lineer Regresyon, Optimizasyon, Genelleştirme, Model Karmaşıklığı, Düzenlileştirme | | | Hafta 5 | ML Metodolojisi | | | Hafta 6 | Naive Bayes | | | Hafta 7 | Lojistik Regresyon | | | Hafta 8 | Doğrusal Ayırtaç Fonksiyonları, Perceptron | | | Hafta 9 | Aarasınav | | | Hafta 10 | Çok Katmanlı Perceptron | | | Hafta 11 | Geri Yayılım | | | Hafta 12 | Derin Öğrenme | | | Hafta 13 | Konvolüsyonel Sinir Ağları | | | Hafta 14 | Karar Ağaçları | | | Hafta 15 | Proje Sunumları | | | Hafta 16 | Final Sınavı | | | |
| 1 | A Course in Machine Learning, Hal Daumé III, 2017 | | | 2 | Russell and Norvig, Artificial Intelligence: A Modern Approach (3rd Edition). Prentice Hall, 2009
| | | 3 | Alpaydin, Introduction to Machine Learning (2nd Edition), MIT Press, 2010 | | | |
| 1 | Goodfellow, I, Bengio, Y, Courville, A., Deep Learning, MIT Press 2016 | | | 2 | Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press, 2012
| | | 3 | Bishop, Pattern Recognition and Machine Learning, Springer, 2006 | | | 4 | Murphy, Machine Learning: A Probabilistic Perspective, MIT Press, 2012 | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | | | | | | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 2 | 14 | 28 | | Arasınav için hazırlık | 2 | 5 | 10 | | Arasınav | 2 | 1 | 2 | | Proje | 1 | 14 | 14 | | Dönem sonu sınavı için hazırlık | 2 | 5 | 10 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 108 |
|