Ders Öğretim Planı

Ders Kodu Ders Adı Ders Türü Yıl Dönem AKTS
İST468 Makine Öğrenmesi 927003 4 8 5

Dersin Amacı

Dersin amacı, öğrenme ve veri madenciliği üzerine araştırma yapan ya da bir soruna öğrenme ve veri madenciliği tekniklerini uygulamak isteyen kişilerin ihtiyaç duyduğu yöntembilim, teknoloji, matematik ve algoritmalar üzerine temel bilgi sağlamaktır.

Dersin Veren Öğretim Görevlisi/Görevlileri

Department of Statistics Instructors

Ön Koşul Dersleri

Yok

Önerilen Diğer Hususlar

Yok

Ders Kitabı / Malzemesi / Önerilen Kaynaklar

Han, Jiawei, Jian Pei, and Micheline Kamber. Data mining: concepts and techniques. Elsevier, 2011. Introduction to Machine Learning (Adaptive Computation and Machine Learning), E. Alpaydin,

Dersin Sunulduğu Dil

Türkçe

Staj Durumu

Yok

Dersin İçeriği

Makine öğrenimine giriş, Maksimum olabilirlik-Bayesci sonuç çıkarımı, Farklı görevlere genel bakış: sınıflandırma, regresyon, kümelenme ve kontrol, Kavram öğrenme, algoritmalar ve kısıtlamalar, Bilgi teorisi. Shannon'ın entropisi, Karşılıklı bilgi, Karar ağaçları, Olasılık modellemeye giriş, Olasılık dağılımları ve yoğunlukları, Bayes'in kuralı, maksimum olabilirlik, Bayesci sonuç çıkarımı, Kümelenme (Gauss karışımları, EM algoritması, k-ortalamaları), Boyut azaltma (PCA), Doğrusal olmayan regresyon ve sınıflandırma, İleri beslemeli sinir ağları, destek vektör makineleri.

Değerlendirme

# Etkinlikler Adet Yuzde Katkısı Yarıyıl İci Etkinlik Yıl Sonu Etkinlik
90 Yarıyıl (Yıl) İçi Etkinlikleri 0 40
91 Yarıyıl (Yıl) Sonu Etkinlikleri 0 60
1 Ara Sınav 1 100 1
2 Final Sınavı 1 100 1

Ders İş Yükü Verisi

# Etkinlikler Adet Süresi(saat) Toplam İş Yükü(saat)
1 Ara Sınav 1 2 2
2 Final Sınavı 1 2 2
5 Derse Katılım 13 3 39
6 Uygulama/Pratik 7 2 14
9 Problem Çözümü 13 1 13
11 Soru-Yanıt 9 2 18
29 Bireysel Çalışma 13 2 26
32 Ara Sınav İçin Bireysel Çalışma 1 3 3
33 Final Sınavı içiin Bireysel Çalışma 1 5 5
54 Ev Ödevi 1 3 3

Haftalık Ders İçeriği

Hafta Teorik Uygulama Laboratuar Ders Notları
1 Makine öğrenmesine giriş
2 Maksimum olabilirlik-Bayesci sonuç çıkarımı.
3 Farklı görevlere genel bakış: sınıflandırma, regresyon, kümelenme ve kontrol.
4 Kavram öğrenme, algoritmalar ve kısıtlamalar.
5 Bilgi teorisi. Shannon'ın entropisi. Karşılıklı bilgi.
6 Karar Ağaçları Öğrenmesi
7 Olasılık modellemeye giriş.
8 Arasınav
9 Olasılık dağılımları ve yoğunlukları, Bayes'in kuralı, maksimum olabilirlik, Bayesci sonuç çıkarımı.
10 Kümelenme (Gauss karışımları, EM algoritması, k-ortalamaları).
11 Boyut azaltma (PCA).
12 Doğrusal olmayan regresyon ve sınıflandırma.
13 İleri beslemeli sinir ağları, destek vektör makineleri.
14 Makine öğrenmesi uygulama

Dersin Öğrenme Çıktıları

# Öğrenme Çıktı Id Açıklama
1 1495185 Deneme ve karşılaştırma deneylerine dair açık ve özlü tarifler yapabilmelidir.
2 1495186 Makine öğrenimi algoritmalarını uygulayabilmeli, performanslarını değerlendirebilmeli ve gerçek veri grupları ile çalışmalarda karşılaşılan sorunları anlayabilmeli,
3 1495187 Makine öğrenimi için teorik bir iskelet oluşturabilmek için bilgi teorisini ve olasılık teorisini anlayabilmeli,
4 1495188 Makine öğrenimi tekniklerini uygulamada deneyim sahibi olmalı,
5 1495189 Ders tamamlandığında öğrenciler; makine öğreniminde kullanılan temel algoritmaları tanıyabilmeli,
6 1495190 Deneme ve karşılaştırma deneylerine dair açık ve özlü tarifler yapabilmelidir.

Bölüm Program Çıktıları

# Program Çıktı Id Açıklama
1 71371 İstatistik bilgilerini kullanabilme becerisi
2 71384 İstatistiksel olaylar için matematiksel modelleme yapabilme becerisi
3 71382 İstatistiksel veri toplama, düzenleme, analiz etme ve yorumlama becerisi
4 71383 Meslekte gelişmeye devam etme becerisi
5 71372 Analitik düşünme yeteneği kazandırma ve kullanma becerisi
6 71373 Bilimsel çalışmalar için gerekli olan teknikleri, yetenekleri ve modern araçları kullanabilme, yaygın ve kaynak taraması yapabilme becerisi
7 71374 Gerçek yaşamda karşılaşabileceği sorulara çözüm bulmada uygun istatistiksel modelleme yaklaşımını tespit etme ve uygulama becerisi
8 71375 Deney tasarlama, deney yapma, deney sonuçlarını istatistiksel olarak analiz etme ve yorumlama becerisi
9 71377 Ekonomi, bilgi teknolojileri ve sosyal bilimlerde temel bilgiye sahip olma becerisi
10 71376 Sözel ve yazılı olarak iş ahlakı içinde takım üyeleri ile ve müşterilerle etkin iletişim kurma becerisi
11 71378 Bireysel olarak ve disiplinler arası takımlarda çalışabilme becerisi
12 77788 Etkin iletişim kurabilme becerisi
13 71379 Mesleki ve etik sorumluluğa sahip olma yeteneği
14 71380 İstatistiksel problem çözmede bilgisayar programı yazabilme, paket program ve algoritmaları kullanabilme becerisi
15 71381 Genelde istatistiksel, kısmen matematiksel problemleri tanımlama, formüle etme ve çözme becerisi

Ögrenme Çıktı Matrisi

Program Çıktısı
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Öğrenme Çıktısı
1 5 2 5 3 3 3 4 3 2 3 3 3 3 5 3
2 5 2 5 3 3 3 4 3 2 3 3 3 3 5 3
3 5 2 5 3 3 3 4 3 2 3 3 3 3 5 3
4 5 2 5 3 3 3 4 3 2 3 3 3 3 5 3
5 5 2 5 3 3 3 4 3 2 3 3 3 3 5 3
6 5 2 5 3 3 3 4 3 2 3 3 3 3 5 3
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek