Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
MAKİNE ÖĞRENMESİYBS4123279Güz Dönemi2+234
Ders Programı

Pazartesi 12:40-13:30

Pazartesi 13:40-14:30

Pazartesi 14:40-15:30

Pazartesi 15:40-16:30

Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi VerenlerProf.Dr. Recep BENZER
Dersin Yardımcıları
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 düzenlileştirme yöntemlerini seçmesi hedeflenmektedir. Bu doğrultuda öğrencilerin veri odaklı problem çözme yaklaşımı geliştirmeleri amaçlanmaktadır.
Dersin İçeriğiBu ders; Makine öğrenmesine giriş ve temel kavramlar,Veri türleri ve veri ön işleme teknikleri,Keşifsel veri analizi (EDA),Regresyon algoritmaları (doğrusal, polinomal),Sınıflandırma algoritmaları (KNN, karar ağacı),Model değerlendirme metrikleri,Aşırı öğrenme, eksik öğrenme ve düzenlileştirme,Ara Sınav,Destek vektör makineleri (SVM),Kümeleme algoritmaları (K-Means, hiyerarşik),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 ve çalışma ilkelerini sınıflandırır.1, 5, Anlatım YöntemiYazılı Sınav
Bir veri kümesi üzerinde veri ön işleme ve temizleme süreçlerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Denetimli öğrenme algoritmalarıyla tahmin modelleri kurar.1, 5, Anlatım YöntemiYazılı Sınav
Denetimsiz öğrenme yöntemleriyle veri kümesini kümelere ayırır.1, 5, Anlatım YöntemiYazılı Sınav
Model performansı için değerlendirme ve karşılaştırma tekniklerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Aşırı öğrenme (overfitting) problemine uygun düzenlileştirme yöntemini seçer.1, 5, Anlatım YöntemiYazılı Sınav
Gerçek dünya problemine uygun bir makine öğrenmesi çözümü tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Python ve ilgili kütüphaneler (scikit-learn, pandas, NumPy) ile makine öğrenmesi uygulaması geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Makine öğrenmesine giriş ve temel kavramlar
2Veri türleri ve veri ön işleme teknikleri
3Keşifsel veri analizi (EDA)
4Regresyon algoritmaları (doğrusal, polinomal)
5Sınıflandırma algoritmaları (KNN, karar ağacı)
6Model değerlendirme metrikleri
7Aşırı öğrenme, eksik öğrenme ve düzenlileştirme
8Ara Sınav
9Destek vektör makineleri (SVM)
10Kümeleme algoritmaları (K-Means, hiyerarşik)
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 ÖĞRENMESİYBS4123279Güz Dönemi2+234
Ders Programı

Pazartesi 12:40-13:30

Pazartesi 13:40-14:30

Pazartesi 14:40-15:30

Pazartesi 15:40-16:30

Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi VerenlerProf.Dr. Recep BENZER
Dersin Yardımcıları
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 düzenlileştirme yöntemlerini seçmesi hedeflenmektedir. Bu doğrultuda öğrencilerin veri odaklı problem çözme yaklaşımı geliştirmeleri amaçlanmaktadır.
Dersin İçeriğiBu ders; Makine öğrenmesine giriş ve temel kavramlar,Veri türleri ve veri ön işleme teknikleri,Keşifsel veri analizi (EDA),Regresyon algoritmaları (doğrusal, polinomal),Sınıflandırma algoritmaları (KNN, karar ağacı),Model değerlendirme metrikleri,Aşırı öğrenme, eksik öğrenme ve düzenlileştirme,Ara Sınav,Destek vektör makineleri (SVM),Kümeleme algoritmaları (K-Means, hiyerarşik),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 ve çalışma ilkelerini sınıflandırır.1, 5, Anlatım YöntemiYazılı Sınav
Bir veri kümesi üzerinde veri ön işleme ve temizleme süreçlerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Denetimli öğrenme algoritmalarıyla tahmin modelleri kurar.1, 5, Anlatım YöntemiYazılı Sınav
Denetimsiz öğrenme yöntemleriyle veri kümesini kümelere ayırır.1, 5, Anlatım YöntemiYazılı Sınav
Model performansı için değerlendirme ve karşılaştırma tekniklerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Aşırı öğrenme (overfitting) problemine uygun düzenlileştirme yöntemini seçer.1, 5, Anlatım YöntemiYazılı Sınav
Gerçek dünya problemine uygun bir makine öğrenmesi çözümü tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Python ve ilgili kütüphaneler (scikit-learn, pandas, NumPy) ile makine öğrenmesi uygulaması geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Makine öğrenmesine giriş ve temel kavramlar
2Veri türleri ve veri ön işleme teknikleri
3Keşifsel veri analizi (EDA)
4Regresyon algoritmaları (doğrusal, polinomal)
5Sınıflandırma algoritmaları (KNN, karar ağacı)
6Model değerlendirme metrikleri
7Aşırı öğrenme, eksik öğrenme ve düzenlileştirme
8Ara Sınav
9Destek vektör makineleri (SVM)
10Kümeleme algoritmaları (K-Means, hiyerarşik)
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

Bilgi / Destek Butonu