| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| Makine Öğrenmesine Giriş | YZM2011 | 3 | 6 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Bahar |
|---|
| Dersin Dili | İngilizce |
|---|---|
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu @ Yapay Zeka ve Veri Mühendisliği Lisans Programı (%100 İngilizce) |
| Ders Kategorisi | Temel Meslek Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | Yapay Zeka ve Veri Mühendisliği Bölümü |
|---|---|
| Dersin Koordinatörü | Ekrem Çetinkaya |
| Dersi Veren(ler) | Ekrem Çetinkaya |
| Asistan(lar)ı |
| Dersin Amacı | Bu ders, makine öğrenmesinin temel kavram ve algoritmalarını hem kuramsal hem de uygulamalı açıdan öğretmeyi amaçlamaktadır. Öğrenciler ML algoritmalarının matematiksel temellerini anlayacak ve bunları gerçek problemlere uygulayacak; denetimli ve denetimsiz öğrenme, olasılıksal modeller ve güncel uygulama (değerlendirme, düzenlileştirme, topluluk yöntemleri) kullanarak problemleri formüle etme ve çözme becerisi kazanacaktır. |
|---|---|
| Dersin İçeriği | Makine öğrenmesi temelleri (ML’e giriş, Bayes ve MLE dahil olasılık ve istatistik, ML için lineer cebir), doğrusal ve lojistik regresyon ile model değerlendirme ve düzenlileştirme (yan–varyans, çapraz doğrulama, L1/L2) içeren denetimli öğrenme, karar ağaçları ve bilgi kuramı, LDA ve Naive Bayes, destek vektör makineleri (maksimum marj, dual, çekirdekler, yumuşak marj), K-means, hiyerarşik, DBSCAN ve GMM/EM kümeleme yöntemleri, boyut indirgeme (PCA) ve topluluk yöntemleri (bagging, boosting, rastgele ormanlar) dahil denetimsiz öğrenme ile Bayes ağları, örnekleme (MCMC, Gibbs) ve gizli Markov modelleri |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Makine öğrenmesinin temel kavramlarını ve matematiksel çerçevesini açıklar
- Supervised learning algoritmalarını analiz eder ve uygular
- Unsupervised learning ve dimensionality reduction yöntemlerini anlar ve uygular
- Yapay sinir ağlarının matematiksel temellerini kavrar ve klasik ML ile bağlantısını kurar
- Derin öğrenme yaklaşımlarını (CNN, RNN, Transformer) tanır ve uygular
- Gerçek dünya problemlerini makine öğrenmesi yaklaşımlarıyla formüle eder ve çözüm geliştirir
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | DÖÇ-6 | |
| PÇ-1 | - | - | - | - | 5 | - |
| PÇ-2 | 5 | 5 | 5 | - | - | - |
| PÇ-3 | - | - | - | - | 3 | 5 |
| PÇ-4 | 5 | 4 | 4 | 4 | 5 | 3 |
| PÇ-5 | - | - | - | - | - | - |
| PÇ-6 | - | - | - | - | - | 5 |
| PÇ-7 | - | - | - | - | - | - |
| PÇ-8 | 5 | 5 | 5 | 3 | 4 | 5 |
| PÇ-9 | - | - | - | - | - | - |
| PÇ-10 | - | - | - | - | - | 5 |
| PÇ-11 | - | - | - | - | - | - |
| PÇ-12 | - | - | - | - | - | - |
| PÇ-13 | - | - | - | - | - | - |
| PÇ-14 | - | - | - | - | - | - |
| PÇ-15 | - | - | - | - | - | - |
| PÇ-16 | - | - | - | - | - | - |
| PÇ-17 | - | - | - | - | - | - |
| PÇ-18 | - | - | - | - | - | - |
| PÇ-19 | - | - | - | - | - | - |
| PÇ-20 | - | - | - | - | - | - |
| PÇ-21 | - | - | - | - | - | - |
| PÇ-22 | - | - | - | - | - | - |
| PÇ-23 | - | - | - | - | 4 | 5 |
| PÇ-24 | - | - | - | - | - | - |
| PÇ-25 | 5 | 5 | 5 | - | - | - |
| PÇ-26 | - | - | - | - | - | - |
| PÇ-27 | - | - | - | - | - | - |
| PÇ-28 | - | - | - | - | - | - |
| PÇ-29 | - | - | - | - | - | - |
| PÇ-30 | - | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Makine Öğrenmesine Giriş ve Matematiksel Çerçeve | |
| 2 | Olasılık Teorisi ve İstatistik Temelleri | |
| 3 | Makine Öğrenmesi için Lineer Cebir | |
| 4 | Lineer Regresyon Modelleri | |
| 5 | Lojistik Regresyon ve Sınıflandırma | |
| 6 | Model Değerlendirme ve Düzenlileştirme | |
| 7 | Karar Ağaçları ve Bilgi Kuramı | |
| 8 | Ara Sınav 1 | |
| 9 | Doğrusal Ayırım Analizi (LDA) ve Naive Bayes | |
| 10 | Destek vektör makineleri | |
| 11 | Kümeleme Algoritmaları | |
| 12 | Boyut İndirgeme | |
| 13 | Topluluk Öğrenme Modelleri | |
| 14 | Bayes Ağları ve Grafik Modeller | |
| 15 | Örnekleme Yöntemleri ve Gizli Markov Modelleri | |
| 16 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | ||
| Sunum/Jüri | ||
| Projeler | 3 | 30 |
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 30 |
| 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 | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | 5 | 10 | |
| Sunum / Seminer | |||
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
