DERS BİLGİLERİ | |||||
---|---|---|---|---|---|
Ders | Kodu | Yarıyıl | Ders Süresi | Kredi | AKTS |
Introduction to Machine Learning | CEN 426 | 8 | 3 | 3 | 6 |
Ön Koşul Dersleri | |
Ders Hakkında Önerilen Diğer Hususlar | None |
Dersin Dili | İngilizce | ||||||
Dersin Seviyesi | Lisans | ||||||
Dersin Türü | Seçmeli | ||||||
Dersin Koordinatörü | Prof. Dr. Umut ORHAN | ||||||
Dersi Verenler |
|
||||||
Dersin Yardımcıları | |||||||
Dersin Amacı | Bu derste, Makine Öğrenmesi yöntemlerinin teorik ve uygulamalı temelleri incelenerek örüntü tanıma problemlerine bu yöntemlerle çözüm bulunması amaçlanmaktadır. |
||||||
Dersin İçeriği | Örnek-Temelli Öğrenme; Danışmanlı ve Danışmansız Öğrenme; Karar Ağaçları; Bayes Öğrenmesi; Yapay Sinir Ağları: ileri-beslemeli öğrenme ve hata geriyayılım; Destekleyici Öğrenme; Basit Optimizasyon; Öğrenme Algoritmalarının Değerlendirilmesi-Karşılaştırılması-Birlikte Kullanılması; Öznitelik Çıkartma-Seçme ve Boyut Azaltma. |
Dersin Öğrenme Kazanımları |
---|
1) Sınıflandırma ve tahminlemeyi bilir |
2) Knows to use a data in computer based study |
3) Makine öğrenmesi yöntemlerini elde hesaplamayı bilir |
4) Makine öğrenmesi yöntemlerini problemlere uygulayabilir |
5) |
6) |
7) |
8) |
9) |
10) |
11) |
12) |
13) |
14) |
15) |
DERSİN PROGRAM KAZANIMLARINA KATKISI | |||||||
---|---|---|---|---|---|---|---|
No | Temel öğrenme Kazanımları | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
1 | 1. Matematik, fen bilimleri ve bilgisayarla ilgili mühendislik konularında yeterli altyapıya sahip olma; bu alanlardaki kuramsal bilgileri beraber kullanabilme |
||||||
2 | 2. Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analitik yöntemler ve modelleme tekniklerini seçme ve uygulama |
||||||
3 | 3. Karmaşık bir sistemi, sistem bileşenini ya da süreci analiz etme ve istenen gereksinimleri karşılamak üzere gerçekçi kısıtlar altında tasarlama becerisi; bu doğrultuda modern tasarım yöntemlerini uygulama becerisi |
||||||
4 | 4. Mühendislik uygulamaları için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin kullanma becerisi |
||||||
5 | 5. Karmaşık bilgisayar mühendisliği problemlerin çözümüne ilişkin deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi |
||||||
6 | Bireysel olarak ve disiplin içi/çok disiplinli takımlarda etkin çalışabilme becerisi, sorumluluk alma ve özgüven |
||||||
7 | Bilgiye erişebilme, kaynak araştırması yapabilme ve bilgi kaynaklarını kullanabilme becerisi |
||||||
8 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi |
||||||
9 | 9. Türkçe sözlü ve yazılı etkin iletişim kurma, ve en az bir yabancı dilde teknik yayın okuyup anlayabilme, rapor hazırlama ve sunum yapma becerisi |
||||||
10 | Mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi |
||||||
11 | 11. Proje yönetimi, işyeri uygulamaları, çalışanların sağlığı, çevre ve iş güvenliği, ve mühendislik uygulamalarının hukuksal sonuçları hakkında farkındalık |
||||||
12 | 12. Mühendislik çözümlerinin ve uygulamalarının evrensel ve toplumsal boyutlardaki etkileri, girişimcilik ve yenilikçilik, ve çağın sorunları hakkında bilgi sahibi olmak |
DERS AKIŞI | |||
---|---|---|---|
Hafta | Konular | Ön Hazırlık | Yöntem |
1 | Derse genel bir giriş | Ders notunun ilgili bölümünü incelemek | |
2 | Matlab diline hızlı bir bakış, Makine Öğrenmesine Giriş | Ders notunun ilgili bölümünü incelemek | |
3 | Örnek tabanlı öğrenme, Danışmanlı-Danışmansız Öğrenme | Ders notunun ilgili bölümünü incelemek | |
4 | K-means kümeleme, K-NN ile sınıflandırma | Ders notunun ilgili bölümünü incelemek | |
5 | Entropi, Karar Ağaçları (ID3 ve C4.5 algoritmaları), Sınıflandırma ve Regresyon Ağaçları | Ders notunun ilgili bölümünü incelemek | |
6 | Olasılık ve Koşullu Olasılık, Bayes Teoremi, Naive Bayes Sınıflayıcı, Kategorik ve Nümerik Veri | Ders notunun ilgili bölümünü incelemek | |
7 | Doğrusal Regresyon, Çoklu Doğrusal Regresyon, En Küçük Kareler Yöntemi, Eşikleme ve Yarışmalı Sınıflandırma Yapay Sinir Ağlarına Giriş, Tek katmanlı YSAlar, Algılayıcı, Adaline, En Küçük Ortalama Kareler Geri-yayılım Algoritması, Çok Katmanlı Algılayıcı, Eğitimi Durdurma Kriteri Takviyeli Öğrenme, Q-Öğrenme, TD-Öğrenme, Öğrenen Vektör Parçalama (LVQ) Ağları, LVQ2, LVQ-X Haritalama, Çapsal Tabanlı Fonksiyonlar (RBF), RBF Ağları Lagrange Yöntemi, Lagrange Katsayısı ile optimizasyon, Destek Vektör Makineleri (SVM), Karesel (Quadratic) Programlama | Ders notunun ilgili bölümünü incelemek | |
8 | Arasınav | Ders notları ve uygulamalara hazırlanmak | |
9 | Yapay Sinir Ağlarına Giriş, Tek katmanlı YSAlar, Algılayıcı, Adaline, En Küçük Ortalama Kareler | Ders notunun ilgili bölümünü incelemek | |
10 | Geri-yayılım Algoritması, Çok Katmanlı Algılayıcı, Eğitimi Durdurma Kriteri | Ders notunun ilgili bölümünü incelemek | |
11 | Takviyeli Öğrenme, Q-Öğrenme, TD-Öğrenme, Öğrenen Vektör Parçalama Ağları, LVQ2, LVQ-X | Ders notunun ilgili bölümünü incelemek | |
12 | Haritalama, Çapsal Tabanlı Fonksiyonlar (RBF), RBF Ağları | Ders notunun ilgili bölümünü incelemek | |
13 | Lagrange Yöntemi, Lagrange Katsayısı ile optimizasyon, Destek Vektör Makineleri, Karesel Programlama | Ders notunun ilgili bölümünü incelemek | |
14 | Özellik Çıkartma ve Seçme, Boyut Azaltma, Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA) | Ders notunun ilgili bölümünü incelemek | |
15 | Final Sınavı için Tekrar | Ders notunun ilgili bölümünü incelemek | |
16-17 | Final Sınavı | Ders notları ve uygulamalara hazırlanmak |
KAYNAKLAR | |
---|---|
Ders Notu | |
Diğer Kaynaklar |