|
|
| BILB3000 | Makine Öğrenmesi | 4+0+0 | AKTS:6 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Zorunlu | | Bölümü | BİLGİSAYAR BİLİMLERİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 4 saat teorik | | Öğretim Üyesi | Dr. Öğr. Üyesi Buğra Kaan TİRYAKİ | | 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 öğrenmesi teknikleri hakkında bilgi sahibi olur. | 2,9 | 1,4, | | ÖK - 2 : | Sınıflandırma ile gerçek dünya problemlerini modelleyebilir. | 2,9 | 1,4, | | ÖK - 3 : | Çeşitli disiplinlere ait sınıflandırma problemlerini makine öğrenmesi teknikleri ile çözüme ulaştırabilir. | 2,9 | 1,4, | | ÖK - 4 : | Makine öğrenmesi teknikleri ile elde edilen çözümleri yorumlayabilir. | 2,9 | 1,4, | | 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, örneklemeli öğrenme, çok değişkenli modeller ve regresyon, model derecesi ve genelleme özellikleri, k-means kümeleme algoritması, karar ağaçları, Bayes karar teorisi, yapay sinir ağları, destek vektör makineleri, boyut indirgeme ve temel bileşen analizi. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Makine öğrenmesine giriş | | | Hafta 2 | Hiyerajik kümeleme algoritmaları | | | Hafta 3 | Parçalı kümeleme algoritmaları | | | Hafta 4 | En yakın komşu sınıflandırması | | | Hafta 5 | Naive Bayes Sınıflandırması | | | Hafta 6 | Karar ağaçları sınıflandırması | | | Hafta 7 | Polinomal regresyon | | | Hafta 8 | Genelleştirilmiş regresyon | | | Hafta 9 | Ara sınav | | | Hafta 10 | Logistik Regresyon | | | Hafta 11 | Destek Vektör Makineleri | | | Hafta 12 | Yapay sinir ağları | | | Hafta 13 | Evrişimli Sinir ağları | | | Hafta 14 | Boyut indirgeme | | | Hafta 15 | Temel bileşen analizi | | | Hafta 16 | Dönem sonu sınavı | | | |
| 1 | Geron, Aurelien, Scikit- Learn Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi, Buzdağı Yayınevi, 2021, Ankara | | | |
| 1 | Ian Goodfellow, Aaron Courville, Yoshua Bengio, Derin Öğrenme, Buzdağı Yayınevi, 2020, Ankara | | | 2 | François Chollet, Python ile Derin Öğrenme, Buzdağı Yayınevi, 2020, Ankara | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | 18.04.2024 | 1,5 | 50 | | Dönem sonu sınavı | 16 | 06.06.2024 | 1,5 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 4 | 14 | 56 | | Sınıf dışı çalışma | 2 | 14 | 28 | | Arasınav için hazırlık | 2 | 8 | 16 | | Arasınav | 1.5 | 1 | 1.5 | | Dönem sonu sınavı için hazırlık | 5 | 6 | 30 | | Dönem sonu sınavı | 1.5 | 1 | 1.5 | | Toplam Çalışma Yükü | | | 133 |
|