| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Makine Öğrenmesi ve Bilgisayar Görmesi | BSM 512 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi SERAP ÇAKAR KAMAN |
| Dersi Verenler | Dr.Öğr.Üyesi SERAP ÇAKAR KAMAN, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Öğrenciler yapay zekanın, makine veya elektronik cihazlarla bütünleşmesinin teorik ve teknik yapısını, bilgisayar görmesine dayalı uygulamalar ile birlikte bu derste öğrenecektir. Günümüz otomasyon endüstrisinde önemli uygulama alanları bulmuş olan makine öğrenmesi ve makine görmesi yönünden gerekli tasarımların yapılıp yazılımların hazırlanabilmesi hedeflenmiştir. |
| Dersin İçeriği | Makine öğrenmesine giriş. Kavramların öğrenilmesi. Verilerin yapılandırılması ve kodlanması.. Hipotezlerin değerlendirilmesi. Yapay sinir ağlarında ve karma sistemlerde öğrenme. Öğrenmede verimlilik ve hata analiz yöntemleri. Makine öğrenmesinde güvenilirliğin artırılması. Pattern tanıma ve sınıflandırma sistemleri. Öznitelik çıkartım teknikleri: İkili kodlamaya dayalı, sınırlara dayalı, bölgesel ve matematiksel morfolojiye dayalı özellikler. İmza, parmak izi, cisim vb. tanıma sistemlerinde öznitelik vektörleri ve sınıflayıcı tasarımları. Algılayıcılar, görüntü yakalama kartları ve diğer makine görmesi donanım elemanları. Yapay sinir ağları ile endüstriyel bir cisim sınıflandırma sistemi tasarımı. Otomatik hata analizi yapan üretim sistemleri. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Yapay zekanın, makine veya elektronik cihazlarla bütünleşmesinin teorik ve teknik yapısını öğrenir | Anlatım, Problem Çözme, Proje Temelli Öğrenme , Soru-Cevap, Alıştırma ve Uygulama, | Sınav, Ödev, Proje / Tasarım, |
| 2 | Yapay sinir ağları ile endüstriyel bir cisim sınıflandırma sistemi tasarımını öğrenir | Alıştırma ve Uygulama, Soru-Cevap, Proje Temelli Öğrenme , Problem Çözme, Anlatım, | Proje / Tasarım, Ödev, Sınav, |
| 3 | Verilerin yapılandırılması ve kodlanmasını öğrenir | Alıştırma ve Uygulama, Soru-Cevap, Proje Temelli Öğrenme , Anlatım, | Proje / Tasarım, Ödev, Sınav, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Makine öğrenmesine giriş | |
| 2 | Görüntülerin gösterilmesi | |
| 3 | İstatistiksel işlemler | |
| 4 | Filtreleme ve kenar bulma | |
| 5 | Korelasyon ve iki boyutlu dönüşümler | |
| 6 | Parçalara ayırma | |
| 7 | Örüntü tanıma sistemleri | |
| 8 | Yapısal yöntemler | |
| 9 | Bayes karar teorisi | |
| 10 | Parzen çerçeveleri | |
| 11 | Olasılıksal sinir ağı (PNN) | |
| 12 | En yakın komşu sınıflandırıcıları | |
| 13 | Lineer diskriminant analizi | |
| 14 | Radyal temelli fonksiyon ağları (RBF) |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | - Artificial Intelligence and Statistical Pattern Recognition, Edward A. Patrick, James M. Fattu, Prentice-Hall Inc., 1986. -Neural networks and fuzzy systems : a dynamical systems approach to Machine Intelligence, Bart Kosko, Prentice Hall, 1992. - Applied Image Processing, G.J. Awcock, R. Thomas, McGrow-Hill Inc., 1996. - Neuro-Fuzzy and Soft Computing = A Computational Approach Learning and Machine Intelligence, Jyh-Shing Roger Jang, Chuen-Tsai Sun, Eiji Muzutani, Pearson Education, 1996. -Machine Vision: Theory, Algorithms, Practicalities, E.R. Davies, Academic Press, 1997. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 100 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 30 |
| 1. Final | 70 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Ara Sınav | 1 | 20 | 20 |
| Final | 1 | 25 | 25 |
| Toplam İş Yükü | 141 | ||
| Toplam İş Yükü / 25 (Saat) | 5,64 | ||
| Dersin AKTS Kredisi | 6 | ||