| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| Makine Öğrenmesi | IST1011 | 3 | 5 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Güz, Bahar |
|---|
| Dersin Dili | İngilizce, Türkçe |
|---|---|
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli @ İstatistik Lisans Programı (%30 İngilizce) Seçmeli @ Matematik Lisans Programı Seçmeli @ Moleküler Biyoloji ve Genetik Lisans Programı |
| Ders Kategorisi | Uzmanlık/Alan Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | İstatistik Bölümü |
|---|---|
| Dersin Koordinatörü | Ersoy Öz |
| Dersi Veren(ler) | Filiz Karaman, Gülhayat Gölbaşı Şimşek, Fatma Noyan Tekeli, Ersoy Öz, Gülder Kemalbay, Serpil Kılıç Depren, Fatma Sevinç Kurnaz, Hülya Yürekli |
| Asistan(lar)ı |
| Dersin Amacı | Makine Öğrenmesi ile ilgili teorik bilgileri ve yaygın kullanılan algoritmaları anlatmak ve bu algoritmaları uygulamalı örneklerle birleştirerek öğretmektir. |
|---|---|
| Dersin İçeriği | Veri ön işleme, Öznitelik Seçimi ve Öznitelik Çıkarma, Lojistik Regresyon, Karar Ağaçları, Destek Vektör Makineleri, K-En Yakın Komşu, Naive Bayes, Kümeleme algoritmaları. Python ile makine öğrenmesi algoritmalarına yönelik uygulamalar. |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Öğrenciler, makine öğrenmesinin temel kavramlarını ve prensiplerini öğrenirler. Algoritma türleri, model eğitimi ve test etme gibi konuları anlayabilirler.
- Öğrenciler, en çok kullanılan makine öğrenmesi algoritmalarını öğrenirler.
- Öğrenciler, öğrendikleri teknikleri gerçek dünya veri setlerine uygulama fırsatı bulurlar. Teorik bilgilerin pratikte nasıl kullanılacağını anlayabilirler.
- Öğrenciler, verilen bir problem için farklı makine öğrenmesi yöntemlerinin avantajlarını ve dezavantajlarını değerlendirebilirler. Hangi algoritmanın hangi durumda en uygun olduğunu anlayabilirler.
- Algoritmaların performanslarını karşılaştırabilirler ve en uygun algoritmayı belirleyebilirler.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
| PÇ-1 | - | - | - | - | - |
| PÇ-2 | - | - | - | - | - |
| PÇ-3 | - | - | - | - | - |
| PÇ-4 | - | - | - | - | - |
| PÇ-5 | - | - | - | - | - |
| PÇ-6 | 5 | 5 | 5 | 5 | 5 |
| PÇ-7 | 4 | 4 | 4 | 4 | 4 |
| PÇ-8 | - | - | - | - | - |
| PÇ-9 | 5 | 5 | 5 | 5 | 5 |
| PÇ-10 | - | - | - | - | - |
| PÇ-11 | - | - | - | - | - |
| PÇ-12 | - | - | - | - | - |
| PÇ-13 | - | - | - | - | - |
| PÇ-14 | - | - | - | - | - |
| PÇ-15 | - | - | - | - | - |
| PÇ-16 | - | - | - | - | - |
| PÇ-17 | - | - | - | - | - |
| PÇ-18 | - | - | - | - | - |
| PÇ-19 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Giriş, Makine Öğrenmesi’nin tanımı ve tarihçesi | Ders Kitabı 1, Bölüm 1 |
| 2 | Veri Ön İşleme, Öznitelik Seçimi, Öznitelik Çıkarma ve Performans Ölçüm Metrikleri, Parametre Optimizasyonu – Izgara Arama (Grid Search) Yöntemi | Ders Kitabı 1, Bölüm 4 Ders Kitabı 2, Bölüm 3 |
| 3 | Denetimli Öğrenme Algoritmaları: K-En Yakın Komşu ve Python Uygulamaları | Ders Kitabı 3, Bölüm 3 |
| 4 | Denetimli Öğrenme Algoritmaları: Lojistik Regresyon ve Python Uygulamaları | Ders Kitabı 2, Bölüm 5 |
| 5 | Denetimli Öğrenme Algoritmaları: Karar Ağaçları, Rasgele Orman ve Python Uygulamaları | Ders Kitabı 1, Bölüm 9 Ders Kitabı 2, Bölüm 8 |
| 6 | Denetimli Öğrenme Algoritmaları: Naive Bayes ve Python Uygulamaları | Ders Kitabı 1, Bölüm 16 Ders Kitabı 2, Bölüm 6 |
| 7 | Makine Öğrenmesi Genel Uygulamalar I | Ders Kitabı 2 Ders Kitabı 3 |
| 8 | Ara Sınav 1 | |
| 9 | Denetimli Öğrenme Algoritmaları: Destek Vektör Makineleri ve Python Uygulamaları | Ders Kitabı 1, Bölüm 13 Ders Kitabı 2, Bölüm 7 |
| 10 | Topluluk Öğrenmesi Algoritmaları | Ders Kitabı 2, Bölüm 8 |
| 11 | Denetimsiz Öğrenme Algoritmaları: K-Means Kümeleme, Hiyerarşik Kümeleme ve Python Uygulamaları | Ders Kitabı 1, Bölüm 7 Ders Kitabı 2, Bölüm 10 |
| 12 | Denetimsiz Öğrenme Algoritmaları: Temel Bileşenler Analizi (PCA) ve Python Uygulamaları | Ders Kitabı 1, Bölüm 6 Ders Kitabı 2, Bölüm 15 |
| 13 | Denetimsiz Öğrenme Algoritmaları: Doğrusal Diskriminant Analizi (LDA) ve Python Uygulamaları | Ders Kitabı 1, Bölüm 6 |
| 14 | Makine Öğrenmesi Genel Uygulamalar II | Ders Kitabı 2 Ders Kitabı 3 |
| 15 | Makine Öğrenmesi Genel Uygulamalar III | Ders Kitabı 2 Ders Kitabı 3 |
| 16 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | ||
| Sunum/Jüri | 1 | 20 |
| Projeler | ||
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 40 |
| Final | 1 | 40 |
| Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
| Final Sınavının Başarı Notuna Katkısı | ||
| TOPLAM | 100 | |
AKTS İşyükü Tablosu
| Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
|---|---|---|---|
| Ders Saati | 14 | 3 | |
| Laboratuar | |||
| Uygulama | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 14 | 2 | |
| Derse Özgü Staj | |||
| Ödev | 1 | 30 | |
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | |||
| Sunum / Seminer | |||
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
