| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Makine Öğrenmesi | İVA 526 | | | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders Makine Öğrenmesinin temel ilkelerini, tekniklerini ve uygulamalarını tanıtmayı amaçlamaktadır. Derste sırasıyla yapay zekaya kısa bir giriş yapıldıktan sonra, klasik makine öğrenmesinde kullanılan temel algoritmalar örnek veri setleri kullanılarak sunulacaktır. Ders yapay sinir ağları, derin öğrenme ve pekiştirmeli öğrenme konularına da kısaca değinecektir. Derin öğrenme, temeli yapay zekâya dayanan ve makine öğrenmesinde kullanılan sinir ağı modellerinin görüntü işleme, ses tanıma ve doğal dil işleme gibi alanlarda uygulamaları ile ön plana çıkan çok katmanlı şekli olup başka bir dersin konusu olduğundan bu derste ayrıntılara girilmeyecektir. Makine öğrenmesinde kullanılan mevcut platformlar üzerinde geliştirilecek dönem projesi ile de temel kavramların netleştirilmesi hedeflenmektedir. |
| |
Üretken Yapay Zeka Kullanımı:
|
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Giriş |
| 2 | Yapay zekâ, Turing testi, temel kavram ve yetenekler, kısa tarihçe. |
| 3 | Makine öğrenimine ve uygulamalarına genel bakış |
| 4 | Kavramlar, Örnekler ve Nitelikler |
| 5 | Denetimli modeller, kNN, SVM (Karar Destek Makinesi) |
| 6 | Bilgi kuramı, Karar ağaçları, ID3 ve C4.5 algoritmaları |
| 7 | Kural oluşturma algoritmaları ZeroR, OneR, RIPPER |
| 8 | ILA tümevarımsal öğrenme algoritması ailesi |
| 9 | Denetimsiz modeller, PCA, K-Means |
| 10 | Olasılıksal sınıflandırma algoritmaları, Naive Bayes |
| 11 | Ensemble Öğrenimi (Bagging, Boosting,Rastgele Orman Algoritması) |
| 12 | Yapay sinir ağları, Perceptron |
| 13 | Eşik fonksiyonları, İleri beslemeli sinir ağlarının temelleri, Backpropagation (Geriyayılım) algoritması |
| 14 | Proje sunumları |
| |
| Kaynaklar: |
| 1. Brett Lantz, Machine Learning with R, Fourth Edition, Packt Publishing, 2022.
2. Etienne Bernard, Introduction to Machine Learning, Wolfram Media, 2021.
|
| |
| Diğer Kaynaklar: |
| Tom Mitchell, Machine Learning, McGraw-Hill, 1997.
http://www.cs.cmu.edu/~tom/mlbook-chapter-slides.html |
| |
| Öğretim Yöntem ve Teknikleri: |
| Ders yüz yüze yapılacaktır. Ders materyali Webonline üzerinden haftalık bazda paylaşılacaktır. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Final Sınavı | 1 | %25 |
| Proje | 1 | %55 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı |
| 1 | Veri analitiği yöntem ve tekniklerinin kavramsal temellerine hâkim olmak | 0 |
| 2 | Temel programlama becerilerini geliştirmek ve istatistiksel problemleri çözmeye yardımcı yazılımları kullanacak teorik ve uygulama yetileri kazanmış olmak | 0 |
| 3 | Verileri kullanılabilir formata dönüştürebilmek ve probleme bağlı olarak veri analizi araçlarını kullanarak probleme uygun modelleme yapabilmek ve karar mekanizmasına destek verebilmek | 0 |
| 4 | Verilerden üretilen bilgileri problemlerin çözümünde kullanabilmek, sonuçları veri görselleştirme araçları yardımıyla sunabilmek ve uygulamaların çıktılarını yorumlamayabilmek ve raporlayabilmek | 0 |
| 5 | Veri analitiği ile ilgili problem çözme ve uygulama becerilerini, disiplinler arası çalışmalarda kullanabilmek | 0 |