Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
MAKİNE ÖĞRENMESİMIS4122330Güz Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıOrijinal 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 AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme 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

SıraKonularÖn Hazırlık
1Makine öğrenmesine giriş ve temel kavramlar
2Veri türleri ve veri ön işleme teknikleri
3Keşifsel veri analizi (EDA)
4Regresyon algoritmaları (Linear, Polynomial)
5Sınıflandırma algoritmaları (KNN, Decision Tree)
6Model değerlendirme metrikleri
7Overfitting, underfitting ve regularization
8Ara Sınav
9Destek vektör makineleri (SVM)
10Kümeleme algoritmaları (K-Means, Hierarchical)
11Boyut indirgeme (PCA)
12Temel yapay sinir ağları
13Uygulama geliştirme ve proje çalışmaları
14Proje sunumları ve genel değerlendirme
15Genel Tekrar

16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (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

DersKoduYarıyılT+U SaatKrediAKTS
MAKİNE ÖĞRENMESİMIS4122330Güz Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıOrijinal 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 AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme 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

SıraKonularÖn Hazırlık
1Makine öğrenmesine giriş ve temel kavramlar
2Veri türleri ve veri ön işleme teknikleri
3Keşifsel veri analizi (EDA)
4Regresyon algoritmaları (Linear, Polynomial)
5Sınıflandırma algoritmaları (KNN, Decision Tree)
6Model değerlendirme metrikleri
7Overfitting, underfitting ve regularization
8Ara Sınav
9Destek vektör makineleri (SVM)
10Kümeleme algoritmaları (K-Means, Hierarchical)
11Boyut indirgeme (PCA)
12Temel yapay sinir ağları
13Uygulama geliştirme ve proje çalışmaları
14Proje sunumları ve genel değerlendirme
15Genel Tekrar

16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu