Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| MAKİNE ÖĞRENMESİ | MIS4122330 | Güz Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Orijinal ders notları ve sunumlar, Python tabanlı uygulama kılavuzları (NumPy, Pandas, Scikit-learn, vb.), açık veri kümeleri (Kaggle, UCI Makine Öğrenimi Deposu), Jupyter Notebook uygulama örnekleri, açık kaynak depoları (GitHub, vb.), akademik makaleler ve teknik blog içerikleri. |
| Dersin Amacı | Bu dersin amacı, öğrencilere makine öğrenmesinin temel kavramlarını teorik ve uygulamalı olarak kazandırmak ve farklı veri türleri üzerinde öğrenme algoritmalarını etkin biçimde kullanabilme becerisi geliştirmektir. Dersi başarıyla tamamlayan bir öğrencinin, denetimli ve denetimsiz öğrenme algoritmalarını sınıflandırması, regresyon ve sınıflandırma yöntemlerini uygulaması, model performans metriklerini hesaplaması ve aşırı öğrenme durumlarını teşhis ederek uygun düzenleme yöntemlerini seçmesi hedeflenmektedir. Bu doğrultuda öğrencilerin veri odaklı problem çözme yaklaşımı geliştirmesi amaçlanmaktadır. |
| Dersin İçeriği | Bu ders; Makine öğrenmesine giriş ve temel kavramlar ,Veri türleri ve veri ön işleme teknikleri ,Keşifsel veri analizi (EDA) ,Regresyon algoritmaları (Linear, Polynomial) ,Sınıflandırma algoritmaları (KNN, Decision Tree) ,Model değerlendirme metrikleri ,Overfitting, underfitting ve regularization ,Ara Sınav ,Destek vektör makineleri (SVM) ,Kümeleme algoritmaları (K-Means, Hierarchical) ,Boyut indirgeme (PCA) ,Temel yapay sinir ağları ,Uygulama geliştirme ve proje çalışmaları ,Proje sunumları ve genel değerlendirme ,Genel Tekrar ,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Makine öğrenmesinin temel kavramlarını ile çalışma prensiplerini sınıflandırır. | 1, 5, Anlatım Yöntemi | |
| Veri ön işleme ile temizleme süreçlerini veri kümesi üzerinde uygular. | 1, 5, Anlatım Yöntemi | |
| Denetimli öğrenme algoritmalarıyla tahmin modelleri kurar. | 1, 5, Anlatım Yöntemi | |
| Denetimsiz öğrenme yöntemleriyle veri kümesini kümelere ayırır. | 1, 5, Anlatım Yöntemi | |
| Model performansı için değerlendirme ile karşılaştırma tekniklerini uygular. | 1, 5, Anlatım Yöntemi | |
| Aşırı öğrenme (overfitting) problemine yönelik düzenleme yöntemini seçer. | 1, 5, Anlatım Yöntemi | |
| Gerçek dünya problemine uygun makine öğrenmesi çözümünü tasarlar. | 1, 5, Anlatım Yöntemi | |
| Python ile ilgili kütüphaneler (scikit-learn, pandas, numpy) aracılığıyla makine öğrenmesi uygulaması geliştirir. | 1, 5, Anlatım Yöntemi |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Makine öğrenmesine giriş ve temel kavramlar | |
| 2 | Veri türleri ve veri ön işleme teknikleri | |
| 3 | Keşifsel veri analizi (EDA) | |
| 4 | Regresyon algoritmaları (Linear, Polynomial) | |
| 5 | Sınıflandırma algoritmaları (KNN, Decision Tree) | |
| 6 | Model değerlendirme metrikleri | |
| 7 | Overfitting, underfitting ve regularization | |
| 8 | Ara Sınav | |
| 9 | Destek vektör makineleri (SVM) | |
| 10 | Kümeleme algoritmaları (K-Means, Hierarchical) | |
| 11 | Boyut indirgeme (PCA) | |
| 12 | Temel yapay sinir ağları | |
| 13 | Uygulama geliştirme ve proje çalışmaları | |
| 14 | Proje sunumları ve genel değerlendirme | |
| 15 | Genel Tekrar | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. 2. Alpaydin, E. (2004). Introduction to Machine Learning. MIT Press. 3. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. 4. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. 5. Scikit-learn Developers. (n.d.). Scikit-learn Documentation. https://scikit-learn.org |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | ||||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Toplam İş Yükü (Saat) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| MAKİNE ÖĞRENMESİ | MIS4122330 | Güz Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Orijinal ders notları ve sunumlar, Python tabanlı uygulama kılavuzları (NumPy, Pandas, Scikit-learn, vb.), açık veri kümeleri (Kaggle, UCI Makine Öğrenimi Deposu), Jupyter Notebook uygulama örnekleri, açık kaynak depoları (GitHub, vb.), akademik makaleler ve teknik blog içerikleri. |
| Dersin Amacı | Bu dersin amacı, öğrencilere makine öğrenmesinin temel kavramlarını teorik ve uygulamalı olarak kazandırmak ve farklı veri türleri üzerinde öğrenme algoritmalarını etkin biçimde kullanabilme becerisi geliştirmektir. Dersi başarıyla tamamlayan bir öğrencinin, denetimli ve denetimsiz öğrenme algoritmalarını sınıflandırması, regresyon ve sınıflandırma yöntemlerini uygulaması, model performans metriklerini hesaplaması ve aşırı öğrenme durumlarını teşhis ederek uygun düzenleme yöntemlerini seçmesi hedeflenmektedir. Bu doğrultuda öğrencilerin veri odaklı problem çözme yaklaşımı geliştirmesi amaçlanmaktadır. |
| Dersin İçeriği | Bu ders; Makine öğrenmesine giriş ve temel kavramlar ,Veri türleri ve veri ön işleme teknikleri ,Keşifsel veri analizi (EDA) ,Regresyon algoritmaları (Linear, Polynomial) ,Sınıflandırma algoritmaları (KNN, Decision Tree) ,Model değerlendirme metrikleri ,Overfitting, underfitting ve regularization ,Ara Sınav ,Destek vektör makineleri (SVM) ,Kümeleme algoritmaları (K-Means, Hierarchical) ,Boyut indirgeme (PCA) ,Temel yapay sinir ağları ,Uygulama geliştirme ve proje çalışmaları ,Proje sunumları ve genel değerlendirme ,Genel Tekrar ,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Makine öğrenmesinin temel kavramlarını ile çalışma prensiplerini sınıflandırır. | 1, 5, Anlatım Yöntemi | |
| Veri ön işleme ile temizleme süreçlerini veri kümesi üzerinde uygular. | 1, 5, Anlatım Yöntemi | |
| Denetimli öğrenme algoritmalarıyla tahmin modelleri kurar. | 1, 5, Anlatım Yöntemi | |
| Denetimsiz öğrenme yöntemleriyle veri kümesini kümelere ayırır. | 1, 5, Anlatım Yöntemi | |
| Model performansı için değerlendirme ile karşılaştırma tekniklerini uygular. | 1, 5, Anlatım Yöntemi | |
| Aşırı öğrenme (overfitting) problemine yönelik düzenleme yöntemini seçer. | 1, 5, Anlatım Yöntemi | |
| Gerçek dünya problemine uygun makine öğrenmesi çözümünü tasarlar. | 1, 5, Anlatım Yöntemi | |
| Python ile ilgili kütüphaneler (scikit-learn, pandas, numpy) aracılığıyla makine öğrenmesi uygulaması geliştirir. | 1, 5, Anlatım Yöntemi |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Makine öğrenmesine giriş ve temel kavramlar | |
| 2 | Veri türleri ve veri ön işleme teknikleri | |
| 3 | Keşifsel veri analizi (EDA) | |
| 4 | Regresyon algoritmaları (Linear, Polynomial) | |
| 5 | Sınıflandırma algoritmaları (KNN, Decision Tree) | |
| 6 | Model değerlendirme metrikleri | |
| 7 | Overfitting, underfitting ve regularization | |
| 8 | Ara Sınav | |
| 9 | Destek vektör makineleri (SVM) | |
| 10 | Kümeleme algoritmaları (K-Means, Hierarchical) | |
| 11 | Boyut indirgeme (PCA) | |
| 12 | Temel yapay sinir ağları | |
| 13 | Uygulama geliştirme ve proje çalışmaları | |
| 14 | Proje sunumları ve genel değerlendirme | |
| 15 | Genel Tekrar | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. 2. Alpaydin, E. (2004). Introduction to Machine Learning. MIT Press. 3. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. 4. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. 5. Scikit-learn Developers. (n.d.). Scikit-learn Documentation. https://scikit-learn.org |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | ||||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |