Mühendislik ve Doğa Bilimleri Fakültesi · Bilgisayar Mühendisliği · Lisans
Dersin Amacı
Makine öğrenmesinde yöntemler ve bu yöntemlerin veriler üzerinde matematiksel modellenmesi amaçlanmaktadır.
Ders İçeriği
Makine öğrenmesinde öğrenme türleri ile ilgili kavramlarını uygulamalı olarak içermektedir. Gözetimli öğrenme, Bayesçi karar kuramı, boyut azaltma, kümeleme, dağılımdan bağımsız yöntemler, karar ağaçları, doğrusal sınıflandırma, çok katmanlı algılayıcılar, destek vektör makineleri algoritmalarının teorik ve pratikte kullanılma alanları uygulamalarıyla işlenecektir.
Zorunlu Kaynaklar
Ethem Alpaydın, Introduction to Machine Learning, The MIT Press
Hidayet Takçı, Teori ve Uygulamada Veri Madenciliği, Nobel Akademik Yayıncılık, 2021
Önerilen Kaynaklar
Ethem Alpaydın, Introduction to Machine Learning, The MIT Press
Hidayet Takçı, Teori ve Uygulamada Veri Madenciliği, Nobel Akademik Yayıncılık, 2021
Dersin Öğrenme Çıktıları
- Makine öğrenmesinin temel kavramlarını, öğrenme türlerini ve problem sınıflarını tanımlar.
- Makine öğrenmesi yöntemlerinin matematiksel altyapılarını analiz eder ve açıklar.
- Gerçek dünya problemlerini makine öğrenmesi problemleri olarak formüle eder ve uygun yöntemleri uygular.
- Öznitelik çıkarma, öznitelik seçimi ve boyut indirgeme yaklaşımlarını probleme uygun şekilde uygular.
- Geliştirilen modellerin başarı ve performanslarını uygun değerlendirme ölçütleri kullanarak analiz eder ve yorumlar.
- Gizlilik, güvenlik ve yasal kısıtlar altında (ör. federatif öğrenme) makine öğrenmesi çözümlerini açıklar.
Temel Alan Dağılımı
Öğretim Yöntem ve Teknikleri
Ölçme ve Değerlendirme
AKTS / İş Yükü
| Etkinlik | Sayı | Süre (saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi (Sınav Haftası Dahil) | 16 | 4 | 64 |
| Sınıf Dışı Ders Çalışma Süresi | 1 | 10 | 10 |
| Ara Sınav | 1 | 2 | 2 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 2 | 10 | 20 |
| Uygulama | 1 | 15 | 15 |
| Final | 1 | 2 | 2 |
Ders Akışı
| Hafta | Konu | Ön Hazırlık |
|---|---|---|
| 1 | Makine Öğrenmesi nedir? Makine öğrenme türleri ve uygulama alanları | - |
| 2 | Veri türleri, veri ön işleme teknikleri, veri keşfi, makine öğrenmesi sistem tasarımı | Hafta 1 |
| 3 | Boyut azaltma ve uygulamaları | Hafta 2 |
| 4 | Bayesçi Karar Kuramı ve uygulamaları | Hafta 3 |
| 5 | Öbekleme ve uygulamaları | Hafta 4 |
| 6 | Dağılımdan bağımsız yöntemler (k en yakın komşu algoritması) | Hafta 5 |
| 7 | Doğrusal regresyon yöntemi ve uygulama alanları | Hafta 6 |
| 8 | Vize Sınavı | Hafta 1-7 |
| 9 | Karar ağaçları ve uygulama alanları | Hafta 8 |
| 10 | Gizlilik, güvenlik ve yasal kısıtlar altında (ör. federatif öğrenme) makine öğrenmesi çözümleri | Week 9 |
| 11 | Çok Katmanlı Algılayıcılar ve uygulamaları | Hafta 10 |
| 12 | Çok katmanlı algılar (Bir Algılayıcı Eğitimi, Çok Katmanlı Algılayıcı, Geri Yayılım Algoritması) | Hafta 11 |
| 13 | Çekirdek Makineleri ve uygulama alanları | Hafta 12 |
| 14 | Proje sunumları | Hafta 13 |
| 15 | Proje sunumları | Hafta 14 |
| 16 | Final Sınavı | Hafta 1-15 |