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 | |
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, Tartışma, | |
2 | Doğrusal regresyon ile sınıflama algoritmaları arasındaki farkı ve hangisini kullanması gerektiğini bilir. | Tartışma, | |
3 | Kümeleme algoritmalarını bilir ve uygular | Tartışma, Anlatım, | |
4 | Tek ve çok katmanlı yapay sinir ağlarını, backpropagation gibi sınıflama algoritmalarını bilir ve uygular. | Tartışma, Anlatım, |
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 |
Toplam | 0 |
1. Final | 70 |
1. Yıl İçinin Başarıya | 30 |
Toplam | 100 |
AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
---|