Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
MAKİNE ÖĞRENMESİCPE4121041Güz Dönemi3+036
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıMakine öğrenmesindeki yaklaşımlar ve teknikler hakkında geniş bir bakış sağlamak. Makine öğrenmesindeki birkaç ana konu hakkında daha derin bir anlayış geliştirmek. Verileri işlemek ve bu verilerden bilgi edinmek için uygun makine öğrenme tekniklerini uygulamak. Veri işleme öncesi adımının temel kavramı ele alınmaktadır, çünkü verilerden desen çıkarmak için herhangi bir makine öğrenme algoritması uygulanmadan önce bu adım kesinlikle gereklidir. Bu dersin çoğu, denetimli makine öğrenme algoritmalarına odaklanacak ve öğrencilerin farklı algoritmaların avantajlarını ve dezavantajlarını anlamalarını sağlayarak, belirli bir veri seti / problem için en iyi algoritmayı seçebilmeleri için eğitim verecektir.
Dersin İçeriğiBu ders; Makine Öğrenmesine Giriş,Aday Eleme Öğrenme Algoritması,Gözetimli ve Gözetimsiz Öğrenme,Karar Ağacı,Sınıflandırma ve Regresyon Ağaçları,Regresyon ve Regresyon Türleri,Sinir Ağları (YSA - Yapay Sinir Ağları),Ara Sınav,Yapay Sinir Ağı Türleri,Algılayıcılar,Gradyan Azalma,Çok Katmanlı Algılayıcı,Geri Yayılım,Destek Vektör Makineleri,Gözetimsiz Makine Öğrenmesi/Kümelemeye Giriş,Final Sınavı; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1-Makine öğrenimi gibi hesaplamalı zeka kavramlarını anlar
2-Gerçek dünya problemlerini çözmeyi sağlayan Makine Öğrenmesi tekniklerinin özelliklerini tanır
3- Uygun problemlere çeşitli denetlenen öğrenme yöntemlerini uygular
4-Öğrenme performansını artırmak için birden fazla tekniği belirleyin ve entegre eder
5-Farklı alanlardaki gerçek zamanlı sorunları ele almak için makine öğrenimi tekniklerini uygulama becerilerini keşfeder
6-Öğrenme kavramını ve ilgili algoritmaları anlar
7-Bilinmeyen örüntüleri ele almak için olasılıksal ve gözetimsiz öğrenme modelleri oluşturur
8- Artificial Neural Networks ve makine öğrenmesi uygulamalarında kullanımını anlar
Öğretim Yöntemleri:
Ölçme Yöntemleri:

Ders Akışı

SıraKonularÖn Hazırlık
1Makine Öğrenmesine Giriş
2Aday Eleme Öğrenme Algoritması
3Gözetimli ve Gözetimsiz Öğrenme
4Karar Ağacı
5Sınıflandırma ve Regresyon Ağaçları
6Regresyon ve Regresyon Türleri
7Sinir Ağları (YSA - Yapay Sinir Ağları)
8Ara Sınav
9Yapay Sinir Ağı Türleri
10Algılayıcılar
11Gradyan Azalma
12Çok Katmanlı Algılayıcı
13Geri Yayılım
14Destek Vektör Makineleri
15Gözetimsiz Makine Öğrenmesi/Kümelemeye Giriş
16Final Sınavı
Kaynak
1) Machine Learning, McGraw-Hill Education; 1st edition (March 1, 1997), ISBN-13 : 978-0070428072. 2) Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series), Kevin P. Murphy, The MIT Press; Illustrated edition (August 24, 2012), ISBN-13 : 978-0262018029 3) Mathematics for Machine Learning, Copyright 2020 by Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong. Published by Cambridge University Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Matematik, fen ve mühendislik bilgilerini karmaşık mühendislik problemlerinin modellenmesi ve çözümünde uygular.
2
Karmaşık mühendislik problemlerini uygun analiz ve modelleme yöntemleriyle çözer.
3
Karmaşık sistem, süreç ve ürünleri gerçekçi kısıtlar altında modern tasarım yöntemleriyle tasarlar.
4
Mühendislik problemlerine yönelik modern teknik ve araçları etkin biçimde kullanır.
5
Mühendislik problemlerine ilişkin deneysel verileri analiz eder.
6
Disiplin içi ve çok disiplinli takımlarda bireysel sorumluluk bilinciyle etkin çalışır.
7
Türkçe ve en az bir yabancı dilde etkili sözlü ve yazılı iletişim kurar.
8
Yaşam boyu öğrenme yaklaşımıyla mesleki bilgi ve becerilerini geliştirir.
9
Mesleki ve etik sorumluluklarını ilgili ilkeler çerçevesinde değerlendirir.
10
Proje, risk ve değişim yönetimi süreçlerini girişimcilik ve sürdürülebilirlik ilkeleri çerçevesinde değerlendirir.
11
Mühendislik uygulamalarının toplumsal, çevresel, güvenlik ve hukuksal etkilerini değerlendirir.

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 ÖĞRENMESİCPE4121041Güz Dönemi3+036
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıMakine öğrenmesindeki yaklaşımlar ve teknikler hakkında geniş bir bakış sağlamak. Makine öğrenmesindeki birkaç ana konu hakkında daha derin bir anlayış geliştirmek. Verileri işlemek ve bu verilerden bilgi edinmek için uygun makine öğrenme tekniklerini uygulamak. Veri işleme öncesi adımının temel kavramı ele alınmaktadır, çünkü verilerden desen çıkarmak için herhangi bir makine öğrenme algoritması uygulanmadan önce bu adım kesinlikle gereklidir. Bu dersin çoğu, denetimli makine öğrenme algoritmalarına odaklanacak ve öğrencilerin farklı algoritmaların avantajlarını ve dezavantajlarını anlamalarını sağlayarak, belirli bir veri seti / problem için en iyi algoritmayı seçebilmeleri için eğitim verecektir.
Dersin İçeriğiBu ders; Makine Öğrenmesine Giriş,Aday Eleme Öğrenme Algoritması,Gözetimli ve Gözetimsiz Öğrenme,Karar Ağacı,Sınıflandırma ve Regresyon Ağaçları,Regresyon ve Regresyon Türleri,Sinir Ağları (YSA - Yapay Sinir Ağları),Ara Sınav,Yapay Sinir Ağı Türleri,Algılayıcılar,Gradyan Azalma,Çok Katmanlı Algılayıcı,Geri Yayılım,Destek Vektör Makineleri,Gözetimsiz Makine Öğrenmesi/Kümelemeye Giriş,Final Sınavı; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1-Makine öğrenimi gibi hesaplamalı zeka kavramlarını anlar
2-Gerçek dünya problemlerini çözmeyi sağlayan Makine Öğrenmesi tekniklerinin özelliklerini tanır
3- Uygun problemlere çeşitli denetlenen öğrenme yöntemlerini uygular
4-Öğrenme performansını artırmak için birden fazla tekniği belirleyin ve entegre eder
5-Farklı alanlardaki gerçek zamanlı sorunları ele almak için makine öğrenimi tekniklerini uygulama becerilerini keşfeder
6-Öğrenme kavramını ve ilgili algoritmaları anlar
7-Bilinmeyen örüntüleri ele almak için olasılıksal ve gözetimsiz öğrenme modelleri oluşturur
8- Artificial Neural Networks ve makine öğrenmesi uygulamalarında kullanımını anlar
Öğretim Yöntemleri:
Ölçme Yöntemleri:

Ders Akışı

SıraKonularÖn Hazırlık
1Makine Öğrenmesine Giriş
2Aday Eleme Öğrenme Algoritması
3Gözetimli ve Gözetimsiz Öğrenme
4Karar Ağacı
5Sınıflandırma ve Regresyon Ağaçları
6Regresyon ve Regresyon Türleri
7Sinir Ağları (YSA - Yapay Sinir Ağları)
8Ara Sınav
9Yapay Sinir Ağı Türleri
10Algılayıcılar
11Gradyan Azalma
12Çok Katmanlı Algılayıcı
13Geri Yayılım
14Destek Vektör Makineleri
15Gözetimsiz Makine Öğrenmesi/Kümelemeye Giriş
16Final Sınavı
Kaynak
1) Machine Learning, McGraw-Hill Education; 1st edition (March 1, 1997), ISBN-13 : 978-0070428072. 2) Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series), Kevin P. Murphy, The MIT Press; Illustrated edition (August 24, 2012), ISBN-13 : 978-0262018029 3) Mathematics for Machine Learning, Copyright 2020 by Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong. Published by Cambridge University Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Matematik, fen ve mühendislik bilgilerini karmaşık mühendislik problemlerinin modellenmesi ve çözümünde uygular.
2
Karmaşık mühendislik problemlerini uygun analiz ve modelleme yöntemleriyle çözer.
3
Karmaşık sistem, süreç ve ürünleri gerçekçi kısıtlar altında modern tasarım yöntemleriyle tasarlar.
4
Mühendislik problemlerine yönelik modern teknik ve araçları etkin biçimde kullanır.
5
Mühendislik problemlerine ilişkin deneysel verileri analiz eder.
6
Disiplin içi ve çok disiplinli takımlarda bireysel sorumluluk bilinciyle etkin çalışır.
7
Türkçe ve en az bir yabancı dilde etkili sözlü ve yazılı iletişim kurar.
8
Yaşam boyu öğrenme yaklaşımıyla mesleki bilgi ve becerilerini geliştirir.
9
Mesleki ve etik sorumluluklarını ilgili ilkeler çerçevesinde değerlendirir.
10
Proje, risk ve değişim yönetimi süreçlerini girişimcilik ve sürdürülebilirlik ilkeleri çerçevesinde değerlendirir.
11
Mühendislik uygulamalarının toplumsal, çevresel, güvenlik ve hukuksal etkilerini değerlendirir.

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