EĞİTİM
Ders Detayı
ELE673 - Örüntü Tanıma
2024-2025 Güz dönemi bilgileri
Ders bu dönem açık değil
ELE673 - Örüntü Tanıma
| Program | Teorik saat | Uygulamalı saat | Yerel kredi | AKTS kredisi |
| Yüksek lisans | 3 | 0 | 3 | 8 |
| Zorunluluk | : | Seçmeli |
| Önkoşul ders(ler) | : | - |
| Eşzamanlı ders(ler) | : | - |
| Veriliş biçimi | : | Yüz yüze |
| Öğrenme ve öğretme teknikleri | : | Anlatım, Soru-Yanıt |
| Dersin amacı | : | Derste öğrencilerin gerçek hayatta karşılaşabilecekleri örüntü tanıma problemlerini çözebilmeleri için, temelde istatistiksel teknikler ağırlıklı olmak üzere: örüntü tanımanın temel kavramlarının, istatistiksel karar verme kuramının temellerinin, parametrik ve non-parametrik yaklaşımların ve bunların farklarının, ve modern örüntü tanıma sistemlerinde kullanılan diğer tekniklerin öğrenciye aktarılması amaçlanmaktadır. |
| Dersin öğrenme çıktıları | : | Örüntü tanıma sistemleriyle ile ilgili temel kavram ve yaklaşımları bilir, Değişik örüntü tanıma yaklaşımlarının birbirine göre avantaj ve dezavantajlarını bilir, Derste öğrendiği teknikleri ve algoritmaları gerçek uygulamalarda kullanır, İlk defa karşılaştığı bir örüntü tanıma problemine gerçekçi çözümler önerebilir, Gelişmiş güncel örüntü tanıma algoritmalarını takip edip anlayabilecek temele sahip olur. |
| Dersin içeriği | : | Örüntü tanımanın temelleri: Örüntü sınıfları, örüntü özellikleri, özelliklerin çıkartılması, sınıflandırma. İstatistiksel karar verme kuramı, Bayes sınıflandırıcısı, Minimax ve Neyman-Pearson kuralları, hata sınırları. Öğretmenle öğrenme: Olasılık yoğunluk işlevlerinin kestirimi, enbüyük olabilirlik ve Bayes kestirimleri. Parametrik olmayan örüntü tanıma teknikleri, Parzen pencereleri, en yakın komşu ve k-en yakın komşu algoritmaları. Ayırtaç analizi, en küçük kareler ve gevşeme algoritmaları. Öğretmensiz öğrenme ve öbekleme analizi. Diğer örüntü tanıma yaklaşımları. |
| Kaynaklar | : | Duda R. O., Hart P. E., and Stork D. G., Pattern Classification, 2nd ed., John Wiley and Sons, 2001.; Webb A., Statistical pattern recognition, Oxford University Press Inc., 1999.; Theodoridis S., Koutroumbas K., Pattern recognition, Academic Press, 1999. |
| Haftalar | Konular |
|---|---|
| 1 | Örüntü tanımada temel kavramlar |
| 2 | Bayes karar verme kuramı, Hata integralleri, Minimax ve Neyman-Pearson kuralları |
| 3 | Çok-boyutlu normal dağılımlar için ayırtaç işlevleri, Normal dağılımlar için hata sınırları: Chernoff ve Bhattacharyya sınırları |
| 4 | Ayrık özellikler için Bayes karar verme kuramı, Eksik ve gürültülü özellikler |
| 5 | Parametre kestirimi: Enbüyük olabilirlik ve Bayes kestirimleri, Yeterli istatistik kavramı |
| 6 | Yüksek boyutun getirdiği sorunlar, Temel bileşenler analizi ve Fisher doğrusal ayırtaç analizi |
| 7 | Parametrik olmayan teknikler: Parzen pencereleri |
| 8 | Parametrik olmayan teknikler: en yakın komşu ve k-en yakın komşu algoritmaları, Örüntü tanımada yaygın olarak kullanılan metrikler |
| 9 | Ara sınav |
| 10 | Doğrusal ayırtaç işlevleri ve karar bölgeleri |
| 11 | Gradyan iniş yöntemleri: Perceptron algoritması, gevşeme algoritmaları |
| 12 | En küçük kareler algoritmaları , Destek vektör makinaları |
| 13 | Öğretmensiz öğrenme: Öbekleme algoritmaları, -ortalama öbeklemesi, Öbeklemede başarı ölçütleri: Enküçük değişinti ve saçılma kriterleri |
| 14 | İstatistiksel olmayan örüntü tanıma yöntemlerine genel bakış, Karar ağaçları, diziler ve gramer tabanlı yöntemler |
| 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 | 7 | 35 |
| Sunum | 0 | 0 |
| Projeler | 0 | 0 |
| Seminer | 0 | 0 |
| Kısa Sınav (Quiz) | 0 | 0 |
| Ara Sınavlar | 1 | 25 |
| 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 | 8 | 112 |
| Sunum / Seminer Hazırlama | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Ödevler | 7 | 8 | 56 |
| Kısa Sınavlara Hazırlanma Süresi | 0 | 0 | 0 |
| Ara sınavlara hazırlanma süresi | 1 | 10 | 10 |
| Genel sınava hazırlanma süresi | 1 | 20 | 20 |
| Toplam iş yükü | 37 | 49 | 240 |
| Program yeterlilikleri | Katkı düzeyi | |||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1. | Elektrik ve Elektronik Mühendisliği'nin gerektirdiği temel bilgilerin yanı sıra Elektrik ve Elektronik Mühendisliği'nin belirli alanlarında geniş ve derin bilgiye sahiptir. | |||||
| 2. | Matematik, Fen Bilimleri ve Elektrik ve Elektronik Mühendisliği alanlarındaki kuramsal ve uygulamalı bilgileri kullanarak ileri düzeyde analiz ve sentez yeteneği gerektiren karmaşık mühendislik problemlerini çözer. | |||||
| 3. | Bilimsel literatürü takip eder, yorumlar ve mühendislik problemlerinin çözümünde etkin olarak kullanır. | |||||
| 4. | Araştırma tasarlar, yapar, sonuçları analiz eder ve yorumlar. | |||||
| 5. | Proje tasarlar, planlar ve yönetir; disiplinlerarası çalışmalarda liderlik yapabilir. | |||||
| 6. | Problem çözümlerinde yeni ve özgün fikirler üretir. | |||||
| 7. | Karmaşık, sınırlı ya da eksik verileri analiz edip anlamlı sonuçlar çıkartabilir, disiplinler arası çalışmalarda bu becerisini kullanabilir. | |||||
| 8. | Teknolojik gelişmeleri takip eder, kendisini geliştirip yeniler, yeni durumlara kolay uyum sağlar. | |||||
| 9. | Uygulamalarının etik açıdan uygunluğunu ve sosyal ve çevresel etkilerini göz önüne alır. | |||||
| 10. | Fikirlerini ve çalışmalarını yazılı veya sözlü olarak etkinlikle sunar; İngilizce'yi ileri düzeyde kullanır. | |||||
1: En düşük, 2: Düşük, 3: Orta, 4: Yüksek, 5: Çok yüksek