Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| MAKİNE ÖĞRENMESİ | CPE4121041 | Güz Dönemi | 3+0 | 3 | 6 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Makine 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 İçeriği | Bu 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 Kazanımları | Öğretim Yöntemleri | Ölçme 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
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Makine Öğrenmesine Giriş | |
| 2 | Aday Eleme Öğrenme Algoritması | |
| 3 | Gözetimli ve Gözetimsiz Öğrenme | |
| 4 | Karar Ağacı | |
| 5 | Sınıflandırma ve Regresyon Ağaçları | |
| 6 | Regresyon ve Regresyon Türleri | |
| 7 | Sinir Ağları (YSA - Yapay Sinir Ağları) | |
| 8 | Ara Sınav | |
| 9 | Yapay Sinir Ağı Türleri | |
| 10 | Algılayıcılar | |
| 11 | Gradyan Azalma | |
| 12 | Çok Katmanlı Algılayıcı | |
| 13 | Geri Yayılım | |
| 14 | Destek Vektör Makineleri | |
| 15 | Gözetimsiz Makine Öğrenmesi/Kümelemeye Giriş | |
| 16 | Final 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 | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 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 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 | CPE4121041 | Güz Dönemi | 3+0 | 3 | 6 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Makine 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 İçeriği | Bu 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 Kazanımları | Öğretim Yöntemleri | Ölçme 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
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Makine Öğrenmesine Giriş | |
| 2 | Aday Eleme Öğrenme Algoritması | |
| 3 | Gözetimli ve Gözetimsiz Öğrenme | |
| 4 | Karar Ağacı | |
| 5 | Sınıflandırma ve Regresyon Ağaçları | |
| 6 | Regresyon ve Regresyon Türleri | |
| 7 | Sinir Ağları (YSA - Yapay Sinir Ağları) | |
| 8 | Ara Sınav | |
| 9 | Yapay Sinir Ağı Türleri | |
| 10 | Algılayıcılar | |
| 11 | Gradyan Azalma | |
| 12 | Çok Katmanlı Algılayıcı | |
| 13 | Geri Yayılım | |
| 14 | Destek Vektör Makineleri | |
| 15 | Gözetimsiz Makine Öğrenmesi/Kümelemeye Giriş | |
| 16 | Final 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 | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 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 Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |