Ondokuz Mayıs Üniversitesi Bilgi Paketi - Ders Kataloğu

Ders Öğretim Planı

Ders KoduDers AdıDers TürüYılYarıyılAKTS
İST468 Makine Öğrenmesi 927006 4 8 5
Dersin Seviyesi
Lisans
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
Öğrenme Çıktıları
  1. Deneme ve karşılaştırma deneylerine dair açık ve özlü tarifler yapabilmelidir.
  2. Makine öğrenimi algoritmalarını uygulayabilmeli, performanslarını değerlendirebilmeli ve gerçek veri grupları ile çalışmalarda karşılaşılan sorunları anlayabilmeli,
  3. Makine öğrenimi için teorik bir iskelet oluşturabilmek için bilgi teorisini ve olasılık teorisini anlayabilmeli,
  4. Makine öğrenimi tekniklerini uygulamada deneyim sahibi olmalı,
  5. Ders tamamlandığında öğrenciler; makine öğreniminde kullanılan temel algoritmaları tanıyabilmeli,
  6. Deneme ve karşılaştırma deneylerine dair açık ve özlü tarifler yapabilmelidir.
Öğrenim Türü
Birinci Öğretim
Ön Koşul Dersleri
Yok
Önerilen Diğer Husular
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,
Planlanan Öğrenme Aktiviteleri ve Metodları
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.
Haftalık Ders İçeriği
Hafta Teorik Uygulama Laboratuar
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
Değerlendirme
Yarıyıl (Yıl) İçi EtkinlikleriAdetKatkı (%)
Ara Sınav1100
Toplam100
Yarıyıl (Yıl) Sonu EtkinlikleriAdetKatkı (%)
Final Sınavı1100
Toplam100
Yarıyıl (Yıl) İçi Etkinlikleri40
Yarıyıl (Yıl) Sonu Etkinlikleri60
Toplam100
İş Yükü Hesaplaması
EtkinliklerAdetSüresi(saat)Toplam İş Yükü(saat)
Ara Sınav122
Final Sınavı122
Derse Katılım13339
Uygulama/Pratik7214
Problem Çözümü13113
Soru-Yanıt9218
Bireysel Çalışma13226
Ara Sınav İçin Bireysel Çalışma133
Final Sınavı içiin Bireysel Çalışma155
Ev Ödevi133
Toplam125