1. Eğitim Bilgi Sistemi
  2. Yönetim Bilişim Sistemleri (Dr)
  3. Makine Öğrenmesi Algoritmaları ve Uygulamaları (2022 - 2023)
Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Makine Öğrenmesi Algoritmaları ve Uygulamaları YBS 619 0 3 + 0 3 6
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili Türkçe
Dersin Seviyesi Doktora
Dersin Türü Seçmeli
Dersin Koordinatörü Doç.Dr. EMRAH AYDEMİR
Dersi Verenler Doç.Dr. EMRAH AYDEMİR,
Dersin Yardımcıları
Dersin Kategorisi Diğer
Dersin Amacı

Büyük veriler üzerinde doğru karar verme, ileriye dönük öngörülerde bulunabilme  algoritmalarının öğrenilmesi
Dersin İçeriği

Bilimsel çalışmalarda önemli bir yere sahip olan tahminler, algoritmaları içerir. Algoritmalar, denetimli ve denetimsiz öğrenme veya regresyon, sınıflandırma, kümeleme gibi farklı gruplara ayrılabilir. Derste uygulama aracı olarak Phyton Programlama kullanılmaktadır.
# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Verilen veri setine hangi makine öğrenmesi yönteminin uygun olduğuna karar verebilir. Soru-Cevap, Alıştırma ve Uygulama, Ödev, Sınav,
2 Doğrusal regresyon ile sınıflama algoritmaları arasındaki farkı ve hangisini kullanması gerektiğini bilir. Alıştırma ve Uygulama, Sınav, Ödev,
3 Kümeleme algoritmalarını bilir ve uygular Alıştırma ve Uygulama, Anlatım, Sınav, Ödev,
4 Tek ve çok katmanlı yapay sinir ağlarını, backpropagation gibi sınıflama algoritmalarını bilir ve uygular. Alıştırma ve Uygulama, Anlatım, Sınav, Ödev,
Hafta Ders Konuları Ön Hazırlık
1 Yapay Zekâ, Makine Öğrenmesi ve Veri Madenciliğine Giriş
2 Makine Öğrenmesinde Öğrenme Stratejileri ve Makine Öğrenmesi Süreci
3 Phyton Programlamaya Giriş: Temel Komutlar ve Örnekler, Veri Ön-İşleme
4 Phyton Programlamaya Giriş: Temel Komutlar ve Örnekler, Veri Ön-İşleme
5 Regresyon Modelleri ve Model Performans Değerlendirmesi
6 k-En Yakın Komşuluk Algoritması ile Sınıflandırma ve Model Performans Değerlendirmesi
7 Naive Bayes Sınıflandırıcı
8 k-Ortalamalar Algoritması ile Kümeleme ve Model Performans Değerlendirmesi
9 Karar Ağacları ile Sınıflandırma ve Model Performans Değerlendirmesi (ve öğrenci proje sunumları)
10 Yapay Sinir Ağları ve Derin Öğrenme
11 Destek Vektör Makineleri
12 Hibrit Yöntemler (ve öğrenci proje sunumları)
13 Metin Madenciliği (ve öğrenci proje sunumları)
14 Öğrenci Proje Sunumları
Kaynaklar
Ders Notu
Ders Kaynakları

Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media. Alpaydin, E. (2020). Introduction to machine learning. MIT press.
Sıra Program Çıktıları Katkı Düzeyi
1 2 3 4 5
1 Disiplinler arası detaylı literatür taraması gerçekleştirir X
2 Kaliteli bilimsel araştırma yapabilecek düzeyde, yeterli metodoloji bilgisine sahip olur X
3 Önde gelen kurumlarda danışman, eğitmen veya araştırmacı olarak çalışabilmek için gerekli altyapıya sahip X
4 Gerekli temel pedagojik formasyon bilgisine sahip olur X
5 :Bilişim ile alakalı güncel araştırmaları takip eder X
6 Güncel araştırmalardan elde ettiği bilgileri bilişim sistemleri yönetimine başarılı bir şekilde entegre eder X
7 Kaliteli akademik dergilerde ampirik çalışmalar yapar X
8 :Ulusal veya uluslararası projelerde yönetici veya araştırmacı olarak görev alır X
9 :İşletme problemlerine çözüm üretebilecek bilişim sistemlerini modeller ve tasarlar X
10 Geliştirilen bilişim sistemlerini efektif bir şekilde yönetir X
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
1. Ara Sınav 100
Toplam 100
1. Final 70
1. Yıl İçinin Başarıya 30
Toplam 100
AKTS - İş Yükü Etkinlik Sayı Süre (Saat) Toplam İş Yükü (Saat)