EĞİTİM
Ders Detayı
ELE489 - Makine Öğrenmesinin Temelleri
2024-2025 Güz dönemi bilgileri
Ders bu dönem açık değil
ELE489 - Makine Öğrenmesinin Temelleri
| Program | Teorik saat | Uygulamalı saat | Yerel kredi | AKTS kredisi |
| Lisans | 3 | 2 | 4 | 7 |
| Zorunluluk | : | Seçmeli |
| Önkoşul ders(ler) | : | ELE320 |
| Eşzamanlı ders(ler) | : | - |
| Veriliş biçimi | : | Yüz yüze |
| Öğrenme ve öğretme teknikleri | : | Anlatım, Soru-Yanıt, Sorun/Problem Çözme, Programlama |
| Dersin amacı | : | Bu ders, makine öğreniminin teorisine ve uygulamalarına bir giriş sağlar. Dersin amacı, makine öğrenmesi konularında kapsamlı bir bilgiye sahip olmaları, gerçek dünya problemlerine uygun modeller geliştirebilmeleri ve bunları yaparken Python programlama dilini kullanabilmeleridir. |
| Dersin öğrenme çıktıları | : | Bu dersi başarıyla tamamlayan bir öğrenci, makine öğrenimi konusunda hem teorik hem de pratik bilgilere sahip olur ve bilgilerini gerçek dünya problemlerine uygulayabilir. Veri işlemede sınıflandırma, regresyon, kümeleme, denetimli ve denetimsiz teknikleri bilir ve performans ölçütlerine bağlı olarak birkaç model arasından seçim yapabilir. |
| Dersin içeriği | : | Makine Öğrenimine Giriş, Python Programlama Dilinde Makine Öğrenimi Araçları ve Kitaplıkları, k-En Yakın Komşular, Naïve Bayes Sınıflandırıcı, Maksimum Olabilirlik Tahmini, Karar Ağaçları, Destek Vektör Makineleri, Yapay Sinir Ağları, Derin Öğrenme, Otomatik Kodlama ve Kendini Denetim, Üretken Karşıt Ağlar, Sınıflandırma Başarım Metrikleri, Model Seçimi, Boyut Azaltma, Kümeleme, Regresyon, Kolektif Öğrenme |
| Kaynaklar | : | Ethem Alpaydin, Introduction to Machine Learning, The MIT Press, 2020 Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006. Edward Raff, Inside Deep Learning, Manning, 2022 |
| Haftalar | Konular |
|---|---|
| 1 | Makine Öğrenimine Giriş |
| 2 | Python Programlamaya Giriş: Makine Öğrenimi Araçları ve Kitaplıkları |
| 3 | En Yakın Komşu Sınıflandırıcıları, Naïve Bayes, Maksimum Olabilirlik |
| 4 | Sınıflandırma Başarım Metrikleri, Model Seçimi |
| 5 | Doğrusal Regresyon |
| 6 | Boyut İndirgeme |
| 7 | Kümeleme |
| 8 | Karar Ağaçları |
| 9 | Ara Sınav |
| 10 | Destek Vektör Makineleri |
| 11 | Yapay Sinir Ağları |
| 12 | Derin Öğrenme, Otomatik Kodlama, Üretken Karşıt Ağlar |
| 13 | Kolektif Öğrenme |
| 14 | Proje Sunumları |
| 15 | Genel Sınava Hazırlık |
| 16 | Genel Sınav |
| Yarıyıl içi çalışmaları | Sayısı | Katkı Payı % |
|---|---|---|
| Devam | 0 | 0 |
| Laboratuar | 0 | 0 |
| Uygulama | 0 | 0 |
| Alan Çalışması | 0 | 0 |
| Derse Özgü Staj (Varsa) | 0 | 0 |
| Ödevler | 4 | 20 |
| Sunum | 0 | 0 |
| Projeler | 1 | 10 |
| Seminer | 0 | 0 |
| Kısa Sınav (Quiz) | 0 | 0 |
| Ara Sınavlar | 1 | 30 |
| Genel sınav | 1 | 40 |
| Toplam | 100 | |
| Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı | 60 | |
| Yarıyıl Sonu Sınavının Başarı Notuna Katkısı | 40 | |
| Toplam | 100 | |
| Yarıyıl içi çalışmaları | Sayısı | Süre (saat) | Toplam iş yükü |
|---|---|---|---|
| Ders Süresi | 14 | 3 | 42 |
| Laboratuar | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Derse özgü staj (varsa) | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışma Süresi (Ön Çalışma, pekiştirme, vb.) | 14 | 5 | 70 |
| Sunum / Seminer Hazırlama | 0 | 0 | 0 |
| Proje | 1 | 30 | 30 |
| Ödevler | 4 | 3 | 12 |
| Kısa Sınavlara Hazırlanma Süresi | 0 | 0 | 0 |
| Ara Sınavlara Hazırlanma Süresi | 1 | 25 | 25 |
| Genel sınava hazırlanma süresi | 1 | 40 | 40 |
| Toplam iş yükü | 35 | 106 | 219 |
| Program yeterlilikleri | Katkı düzeyi | |||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1. | Elektrik ve Elektronik Mühendisliği'nin gerektirdiği kuramsal ve uygulamalı bilgilere sahiptir. | |||||
| 2. | Matematik, Fen Bilimleri ve Elektrik ve Elektronik Mühendisliği alanlarındaki kuramsal ve uygulamalı bilgileri mühendislik çözümleri için kullanır. | |||||
| 3. | Elektrik ve Elektronik Mühendisliği problemlerini saptar, tanımlar, modeller ve probleme uygun analitik veya nümerik yöntemleri uygulayarak çözer. | |||||
| 4. | Gerçekçi kısıtlar altında sistem tasarlar; bu doğrultuda modern yöntemleri ve araçları kullanır. | |||||
| 5. | Deney tasarlar, yapar, sonuçları analiz eder ve yorumlar. | |||||
| 6. | Bireysel veya takım üyesi olarak disiplinlerarası çalışma yapacak altyapıya sahiptir. | |||||
| 7. | Bilgiye erişir, kaynak araştırması yapar, veri tabanlarını ve diğer bilgi kaynaklarını kullanır, bilim ve teknolojideki gelişmeleri izler. | |||||
| 8. | Proje planlaması ve zaman yönetimi yapar, mesleki gelişimini planlar. | |||||
| 9. | İleri düzeyde bilgisayar donanım ve yazılım bilgisine sahiptir, bilişim ve iletişim teknolojilerini etkin kullanır. | |||||
| 10. | Sözlü ve yazılı etkin iletişim kurar; İngilizce'yi ileri düzeyde kullanır. | |||||
| 11. | Mesleki, etik ve toplumsal sorumluluğunun bilincindedir. | |||||
| 12. | Mühendislik çözümlerinin ve uygulamalarının evrensel ve toplumsal boyutlardaki etkilerinin bilincindedir; çağın sorunları hakkında bilgi sahibidir. | |||||
| 13. | Yenilikçi ve sorgulayıcıdır; mesleki özgüveni yüksektir. | |||||
1: En düşük, 2: Düşük, 3: Orta, 4: Yüksek, 5: Çok yüksek