Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Uygulamalı Yapay ÖğrenmeEND396535300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiLisans
Dersin TürüSeçmeli @ Endüstri Mühendisliği Lisans Programı (%30 İngilizce)
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimEndüstri Mühendisliği Bölümü
Dersin KoordinatörüEbru Geçici
Dersi Veren(ler)
Asistan(lar)ı
Dersin AmacıÖğrenciye yapay öğrenme alanında kullanılan temel algoritmaların işleyişi hakkında bilgi vermek, yapay öğrenme modellerinin seçim metodlarını vermek ve gerçek problemer üzerinde uygulamalar yapabilmeyi öğretmek.
Dersin İçeriğiGiriş; Denetimli öğrenme; Basit ve Çoklu doğrusal regresyon; Aşırı Öğrenme, Bias ve Varyans; Eğitim, Doğrulama ve Test kümeleri; Model Değerlendirmesi ve Seçimi; Sınıflandırma, Lojistik Regresyon, KNN; Yapay Sinir Ağları; Karar ağaçları Rassal Ormanlar; Denetimsiz Öğrenme: Kümeleme ve K-ortalamaları
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • James, G., Witten, D., Hastie, T., & Tibshirani, R. (2014). An Introduction to Statistical Learning with Applications in R. Springer.
  • ALPAYDIN, Ethem (2009). Introduction to machine learning. MIT press,
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Öğrenciler yapay öğrenme modellerinin değerlendirmesini yapabilecekler
  2. Öğrenciler yapay öğrenmenin temellerini öğrenecekler
  3. Öğrenciler modeller arasında seçim yapmayı öğrenecekler
  4. Öğrenciler yapay öğrenme modellerini Python dili ile kodlamayı öğrenecekler
  5. Öğrenciler güncel problemleri üzerinde baştan sona yapay öğrenme modelleri kurabilecekler

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-5
PÇ-1-----
PÇ-2-----
PÇ-3-----
PÇ-4-----
PÇ-5-----
PÇ-6-----
PÇ-7-----
PÇ-8-----
PÇ-9-----
PÇ-10-----
PÇ-11-----
PÇ-12-----
PÇ-13-----
PÇ-14-----
PÇ-15-----
PÇ-16-----
PÇ-17-----
PÇ-18-----
PÇ-19-----
PÇ-20-----
PÇ-21-----
PÇ-22-----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Yapay Öğrenmeye GirişDers Notları Hafta 1
2Denetimli ÖğrenmeDers Notları Hafta 2
3Basit ve Çoklu Doğrusal RegresyonDers Notları Hafta 3
4Aşırı Öğrenme, Yanlılık ve VaryansDers Notları Hafta 4
5Model ValidasyonuDers Notları Hafta 5
6Model Değerlendirme ve Özellik SeçimiDers Notları Hafta 6
7Sınıflandırma, Lojistik RegresyonDers Notları Hafta 7
8Ara Sınav 1
9KNN (K-En Yakın Komşuluk)Ders Notları Hafta 8
10Yapay Sinir AğlarıDers Notları Hafta 9
11Karar AğaçlarıDers Notları Hafta 10
12Çoklu ÖğrenmeDers Notları Hafta 11
13Denetimsiz Öğrenme: KümelemeDers Notları Hafta 12
14Boyut İndirgemeDers Notları Hafta 13
15Proje Ödevleri ve Sunumlar
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev260
Sunum/Jüri
Projeler
Seminer/Workshop
Ara Sınavlar
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati132
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması152
Derse Özgü Staj
Ödev212
Küçük Sınavlar/Stüdyo Kritiği
Projeler
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)
Final (Sınav Süresi + Sınav Hazırlık Süresi)110
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok