TÜRKÇE
ENGLISH
Genel Bilgi
| Birim | FEN BİLİMLERİ ENSTİTÜSÜ |
| BİLGİSAYAR MÜHENDİSLİĞİ (YL) (TEZSİZ) | |
| Kod | CENGT003 |
| Ad | Makine Öğrenmesi |
| Dönem | 2022-2023 Eğitim-Öğretim Yılı |
| Dönem | Bahar |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | Türkçe |
| Seviye | Yüksek Lisans Dersi |
| Tür | Normal |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Prof. Dr. MEHMET FATİH AKAY |
| Dersin Öğretim Elemanı |
Güncel dönem ders programı henüz yapılmamıştır.
|
Dersin Amacı / Hedefi
Bu dersin sonunda öğrenci, modern yapay öğrenme yöntemlerinin arkasında yatan temel çalışma prensipleri ve bunların nasıl, neden ve ne zaman çalıştıkları konusunda bilgi sahibi olacak; bu bilgiyi çeşitli öğrenme modellerinin geliştirmesinde kullanma becerisi kazanacaktır.
Dersin İçeriği
Eğri uydurma yöntemleri, sınıflandırma, modelleri eğitmek, destek vektör makineleri, karar ağaçları, topluluk öğrenmesi ve rastgele ormanlar, boyut indirgeme, temel bileşen analizi, model seçimi, denetimsiz öğrenme teknikleri
Dersin Ön Koşulu
Kaynaklar
Hands-on machine learning with Scikit-Learn, Keras and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, O'Reilly Media, 2019.
Notlar
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Yapay öğrenme algoritmalarının karmaşıklığını (regresyon, sınıflandırma, kümeleme ve boyutsal küçültme) ve bunların sınırlamalarını anlama. |
| ÖÇ02 | Gerçek hayattaki uygulamalar için uygun yapay öğrenme algoritmalarını seçme. |
| ÖÇ03 | Yapay öğrenme algoritmalarını problemlere güvenle uygulayabilme ve kendi uygulamalarını geliştirebilme. |
| ÖÇ04 | Gerçek dünyadaki verileri kullanarak yapay öğrenme deneyleri yapma. |
| ÖÇ05 | Model kalitesini, her uygulama için ilgili performans / hata metrikleri kullanarak ölçme. |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Belirsiz |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Giriş, makine öğrenme yöntemleri ve zorlukları, deneme ve doğrulama | Öğretim Yöntemleri: Anlatım |
|
| 2 | Baştan sona makine öğrenme projesi: veri toplama, maliyet fonksiyonu, veri görselleştirme | Öğretim Yöntemleri: Anlatım |
|
| 3 | Baştan sona makine öğrenme projesi: veri hazırlama, model seçimi, eğitme, optimizasyon | Öğretim Yöntemleri: Anlatım |
|
| 4 | Sınıflandırma | Öğretim Yöntemleri: Anlatım |
|
| 5 | Model eğitimi I | Öğretim Yöntemleri: Anlatım |
|
| 6 | Model eğitimi II | Öğretim Yöntemleri: Anlatım |
|
| 7 | Destek vektör makineleri | Öğretim Yöntemleri: Anlatım |
|
| 8 | Ara Sınavlar | Ölçme Yöntemleri: Yazılı Sınav |
|
| 9 | Karar ağaçları | Öğretim Yöntemleri: Anlatım |
|
| 10 | Topluluk öğrenmesi ve rastgele ormanlar | Öğretim Yöntemleri: Anlatım |
|
| 11 | Boyut indirgeme | Öğretim Yöntemleri: Anlatım |
|
| 12 | Gözetimsiz (denetimsiz) öğrenme teknikleri I - öbekleme | Öğretim Yöntemleri: Anlatım |
|
| 13 | Gözetimsiz (denetimsiz) öğrenme teknikleri II – Gauss karışımları (yoğunluk tahmini) | Öğretim Yöntemleri: Anlatım |
|
| 14 | Örnekler I | Öğretim Yöntemleri: Anlatım |
|
| 15 | Örnekler II | Öğretim Yöntemleri: Anlatım |
|
| 16 | Yarıyıl Sonu Sınavları | Ölçme Yöntemleri: Yazılı Sınav |
|
| 17 | Yarıyıl Sonu Sınavları | Ölçme Yöntemleri: Yazılı Sınav |