| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Makine Öğrenmesi | BSM 479 | 7 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | BSM432 - Derin Öğrenme ve Evrişimli Sinir Ağları |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi ULAŞ YURTSEVER |
| Dersi Verenler | Dr.Öğr.Üyesi ULAŞ YURTSEVER, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Öğretim |
| Dersin Amacı | Makine öğrenmesi hakkında matematiksel temelleri öğretmek, makine öğrenmesi algoritmalarını öğretmek, makine öğrenmesi ile ilgili açık kaynak kütüphaneleri kullanabilmek, makine öğrenmesi uygulaması geliştirebilmek. |
| Dersin İçeriği |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Makine öğrenmesi hakkında temel konuları bilir | Anlatım, Soru-Cevap, Beyin Fırtınası, | |
| 2 | Makine öğrenmede kullanılan algoritmaları bilir | Anlatım, Soru-Cevap, Beyin Fırtınası, | |
| 3 | Açık kaynak kütüphanelerle makine öğrenmesi uygulamaları geliştirir | Anlatım, Soru-Cevap, Beyin Fırtınası, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zeka ve makine öğrenmesine giriş | |
| 2 | Python programlama temelleri | |
| 3 | Makine öğrenmesi kütüphaneleri ve araçları | |
| 4 | Veri Hazırlama, ön işleme ve veri zenginleştirme | |
| 5 | Özellik çıkarma ve özellik seçme algoritmaları | |
| 6 | Boyut azaltma yöntemleri ve uygulaması | |
| 7 | Lineer ve lojistik regresyon | |
| 8 | Destek vektör makineleri ve K-en yakın komşu algoritmaları | |
| 9 | Karar ağaçları ve rastgele orman | |
| 10 | Naïve Bayes ve Gradient Boosting | |
| 11 | Kümeleme algoritmaları ve uygulamaları | |
| 12 | Model değerlendirme ve istatistiksel testler | |
| 13 | Sunumlar, değerlendirme ve öneriler | |
| 14 | Sunumlar, değerlendirme ve öneriler |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | Aurélien Géron, Scikit-Learn Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi, Buzdağı Yayınevi, 2021 Aurélien Géron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, O'REILLY, 2019 |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi. | X | |||||
| 2 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | X | |||||
| 3 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | X | |||||
| 4 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | X | |||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. | X | |||||
| 6 | Bilişim Teknolojilerinin yönetim, denetim, gelişim ve güvenliği/güvenilirliği hakkında bilgi sahibi olma ve farkındalık, | X | |||||
| 7 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | X | |||||
| 8 | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi. | X | |||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. | X | |||||
| 10 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | X | |||||
| 11 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | X | |||||
| 12 | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Makine öğrenmesi hakkında temel konuları bilir | 0 | 5 | 5 | 5 | 2 | 2 | 3 | 2 | 1 | 1 | 0 | 0 |
| 2 | Makine öğrenmede kullanılan algoritmaları bilir | 0 | 5 | 5 | 5 | 4 | 5 | 1 | 1 | 1 | 1 | 0 | 0 |
| 3 | Açık kaynak kütüphanelerle makine öğrenmesi uygulamaları geliştirir | 1 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 1 | 1 | 1 | 1 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 40 |
| 1. Kısa Sınav | 10 |
| 1. Proje / Tasarım | 50 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 60 |
| 1. Final | 40 |
| 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 | 2 | 32 |
| Ara Sınav | 1 | 8 | 8 |
| Kısa Sınav | 1 | 1 | 1 |
| Proje / Tasarım | 1 | 17 | 17 |
| Final | 1 | 19 | 19 |
| Toplam İş Yükü | 125 | ||
| Toplam İş Yükü / 25 (Saat) | 5 | ||
| Dersin AKTS Kredisi | 5 | ||