| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Tezsiz Yüksek Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 10 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Makine öğrenmesinin temel kavramlarını ve öğrenme türlerini (gözetimli, gözetimsiz, pekiştirmeli) ileri düzeyde analiz etmek.
- Regresyon, sınıflandırma ve kümeleme algoritmalarını gerçek veri kümeleri üzerinde tasarım ve uygulama düzeyinde kullanmak.
- Yapay sinir ağları ve derin öğrenme mimarilerini kullanarak karmaşık problemleri modellemek.
- Model seçimi, hiperparametre optimizasyonu ve çapraz doğrulama tekniklerini uygulayarak model performansını iyileştirmek.
- Makine öğrenmesi projelerini akademik ve profesyonel standartlarda tasarlamak, değerlendirmek ve yönetmek.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | |
|---|
| Ders Tanımı | Makine öğrenmesinin temel kavramlarından başlayarak; gözetimli ve gözetimsiz öğrenme algoritmalarını, yapay sinir ağları ve derin öğrenme yaklaşımlarını, model değerlendirme ve optimizasyon tekniklerini inceleyerek; öğrencilere veriye dayalı tahminleme ve karar modelleri geliştirme yetkinliği kazandıran bir derstir. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Makine Öğrenmesine Giriş: Temel Kavramlar ve Öğrenme Türleri |
|
2. Hafta |
Veri Ön İşleme ve Özellik Mühendisliği (Feature Engineering) |
|
3. Hafta |
Doğrusal Regresyon ve Çoklu Regresyon Modelleri |
|
4. Hafta |
Lojistik Regresyon ve Sınıflandırma Temelleri |
|
5. Hafta |
Karar Ağaçları ve Rastgele Orman (Random Forest) Algoritmaları |
|
6. Hafta |
Destek Vektör Makineleri (SVM) ve K-En Yakın Komşu (KNN) Algoritması |
|
7. Hafta |
Kümeleme Algoritmaları: K-Means ve Hiyerarşik Kümeleme |
|
8. Hafta |
Ara Sınav |
|
9. Hafta |
Model Değerlendirme: Çapraz Doğrulama ve Performans Metrikleri |
|
10. Hafta |
Aşırı Öğrenme (Overfitting), Düzenlileştirme (Regularization) ve Hiperparametre Optimizasyonu |
|
11. Hafta |
Yapay Sinir Ağlarına Giriş: Algılayıcılar ve Geri Yayılım (Backpropagation) |
|
12. Hafta |
Derin Öğrenmeye Giriş: Evrişimli Sinir Ağları (CNN) |
|
13. Hafta |
Topluluk (Ensemble) Öğrenme Yöntemleri: Bagging ve Boosting |
|
14. Hafta |
Makine Öğrenmesinde Etik, Model Dağıtımı (Deployment) ve Dönem Projesi Sunumu |
|
| Kaynaklar | 1. Geron, A. 2019. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
2. Ders dokümanları
|
|---|
| Öğretim Yöntemleri |
- Anlatım
- Tartışma
- Soru-Cevap
- Sorun/Problem Çözme
- Proje
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
30 |
| Proje |
1 |
20 |
| Toplam(%) |
|
50 |
| Yıl İçinin Başarıya Oranı(%) |
|
50 |
| Finalin Başarıya Oranı(%) |
|
50 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
1 |
1 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
10 |
140 |
| Final Sınavına Hazırlık |
14 |
3 |
42 |
| Ders Saati |
13 |
3 |
39 |
| Ara Sınava Hazırlık |
8 |
3 |
24 |
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
1 |
1 |
| Ödevler |
1 |
40 |
40 |
| Toplam İş Yükü | 287 |
| Toplam İş Yükü / 30 | 9.56 |
| Dersin AKTS Kredisi | 10 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
