| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| Makine Öğrenmesine Giriş | BLM5216 | 3 | 7.5 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Güz, Bahar |
|---|
| Dersin Dili | İngilizce, Türkçe |
|---|---|
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Seçmeli @ Bilgisayar Mühendisliği ABD Bilgi Teknolojileri Yüksek Lisans Programı (Tezsiz, 2. Öğretim) Seçmeli @ Bilgisayar Mühendisliği ABD Bilgi Teknolojileri Yüksek Lisans Programı (Tezsiz, 2. Öğretim, İngilizce) |
| Ders Kategorisi | Uzmanlık/Alan Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | Bilgisayar Mühendisliği Bölümü |
|---|---|
| Dersin Koordinatörü | Ali Can Karaca |
| Dersi Veren(ler) | Ali Can Karaca |
| Asistan(lar)ı |
| Dersin Amacı | Dersin amacı Makine Öğrenmesi konuları hakkında temel bilgilerin verilmesi ve uygulama örnekleri ile birlikte öğretilmesidir. |
|---|---|
| Dersin İçeriği | 1. Introduction to Machine Learning 2. Supervised Learning and Applications 3. Unsupervised Learning and Applications 4. Reinforcement Learning and Applications |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Öğrenci makine öğrenmesi temellerini anlar.
- Öğrenci çok bilinen eğitmenli, eğitmensiz, yarı-eğitmenli öğrenme algortimalarını öğrenir.
- Öğrenci makine öğrenmesi tekniklerini gerçek dünya problemlerine uygulayabilir.
- Öğrenci makine öğrenmesi ile ilgili bir konuda proje hazırlar, raporunu yazar ve sınıfta sunumunu yapar.
- Parametreleri verilen bir problem için öğrenci farklı makine öğrenmesi yöntemlerinin avantaj ve dezavantajlarını ortaya koyabilir.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Makine Öğrenmesine Giriş | |
| 2 | Eğitmenli Öğrenme | |
| 3 | Bayes Kuralı | |
| 4 | Naive Bayes Teoremi | |
| 5 | Karar Ağaçları | |
| 6 | Lineer Ayırt Edici | |
| 7 | Yapay Nöron Ağları | |
| 8 | Ara Sınav 1 / Uygulama veya Konu Tekrarı | |
| 9 | Destek Vektör Makineleri | |
| 10 | Doğrusal olmayan DVM | |
| 11 | Eğitmensiz Öğrenme | |
| 12 | Öbekleme : K-means, Karışım modelleri | |
| 13 | Hiyerarşik Öbekleme Yöntemleri | |
| 14 | Birleşik Yöntemler: Boosting, Bagging | |
| 15 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | 3 | 30 |
| Sunum/Jüri | 1 | 10 |
| Projeler | 1 | 20 |
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 10 |
| Final | 1 | 30 |
| Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
| Final Sınavının Başarı Notuna Katkısı | ||
| TOPLAM | 100 | |
AKTS İşyükü Tablosu
| Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
|---|---|---|---|
| Ders Saati | 13 | 3 | |
| Laboratuar | |||
| Uygulama | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 13 | 3 | |
| Derse Özgü Staj | |||
| Ödev | 3 | 10 | |
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | 1 | 50 | |
| Sunum / Seminer | 1 | 20 | |
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
