|
|
| ISTL5052 | İstatistiksel Öğrenme Teorisi | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Yüksek Lisans(Tezli) | | Yazılım Şekli | Seçmeli | | Bölümü | İSTATİSTİK ve BİLGİSAYAR BİLİMLERİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Dr. Öğr. Üyesi Özge TEZEL | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu dersin amacı, öğrencilere makine öğrenme kavramını ve farklı öğrenme metotlarını öğretmektir. Bu dersin sonucunda, öğrenci gerçek hayattaki bir probleme en uygun hangi makine öğrenme metodunu uygulayacağını ve bu metodun hata ve karmaşıklık açısından nasıl analiz edeceğini öğrenecektir. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Makine öğrenme temel prensiplerini kavrar. | 1,2 | 1,3, | | ÖK - 2 : | Veri işleme, temizleme ve hazırlamayı gerçekleştirebilir | 4,5 | 1,3, | | ÖK - 3 : | Veri üzerinden nitelik seçebilir. | 5,6 | 1,3, | | ÖK - 4 : | Uygun yapay öğrenme modelini seçebilir, parametre ayarlayabilir ve çapraz sağlama gerçekleştirebilir. | 3 | 1,3, | | ÖK - 5 : | Gözetimli ve gözetimsiz öğrenme yöntemlerini kavrar ve uygular. | 1,2 | 1,3, | | 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 | | |
| Öğrenme teorisi ve öğrenme çeşitleri (gözetimli ve gözetimsiz), sınıflandırma algoritmaları, kümeleme algoritmaları, Regresyon ve Sınıflandırma için Lineer Yöntemler, Karar Ağaçları, Bayesçi Karar Teorisi, Naïve Bayes, Destek Vektör Makineleri, Öznitelik Çıkarımı ve Seçimi. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Makine Öğrenmesinde Temel Kavramlar | | | Hafta 2 | Makine Öğrenmesi Süreci ve Model Değerlendirme | | | Hafta 3 | Doğrusal Regresyon | | | Hafta 4 | Lojistik Regresyon | | | Hafta 5 | Destek Vektör Makineleri | | | Hafta 6 | Naive Bayes Algoritması | | | Hafta 7 | Karar Ağaçları | | | Hafta 8 | Rastgele Orman Algoritması | | | Hafta 9 | Arasınav | | | Hafta 10 | K-en Yakın Komşu Algoritması | | | Hafta 11 | Yapay Sinir Ağları | | | Hafta 12 | Yapay Sinir Ağları | | | Hafta 13 | K-ortalamalar Kümeleme Algoritması | | | Hafta 14 | Derin Öğrenme | | | Hafta 15 | Derin Öğrenme | | | Hafta 16 | Final Sınavı | | | |
| 1 | Géron, A. 2022; Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly Media, Inc. | | | |
| 1 | Hope, T., Resheff, Y. S., & Lieder, I. 2017; Learning tensorflow: A guide to building deep learning systems, O'Reilly Media, Inc. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | 2 | 30 | | Ödev | 15 | | 2 | 20 | | Dönem sonu sınavı | 16 | | 2 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 2 | 10 | 20 | | Arasınav için hazırlık | 2 | 3 | 6 | | Arasınav | 2 | 1 | 2 | | Ödev | 2 | 5 | 10 | | Dönem sonu sınavı için hazırlık | 2 | 5 | 10 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 92 |
|