| | | | | | | | | | | | ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ PROGRAM DERS BİLGİ PAKETİ DERS İÇERİĞİ |
| | | | | | | |
| | | | | | | | | | | Bölüm | Teknoloji Fakültesi Bilgisayar Mühendisliği | DERS BİLGİLERİ(Revizyon Tarihi:13.05.2024 17:43:00) | Ders Kodu | Ders Adı | Kredi Teorik | Kredi Pratik | Kredi Lab/U | Kredi Toplam | Kredi Ects | Yarı Yılı | BLG-405 | Makine Öğrenmesi | 3,0 | 0,0 | 1,0 | 3,5 | 5,0 | 7. Yarıyıl | Dersin Dili | Türkçe | Ders Düzeyi | LİSANS TYYÇ:6.DÜZEY EQF-LLL:6.DÜZEY QF-EHEA:1.DÜZEY | Dersin Türü | Zorunlu | Dersi Verenler | Doç.Dr. Sinan UĞUZ | Dersin Yardımcıları | Arş. Gör. Ahmet Bestami Köse | Ofis Yeri | Teknoloji Fakültesi 2.kat | E-Posta | sinanuguz@isparta.edu.tr | Ofis Görüşme Saatleri | | İş Telefonu | 2146862 | Dersin Amacı | Makine öğrenmesi dersinin amacı, öğrencilere bilgisayar sistemlerinin veri analizi yapabilme, desenleri tanıyabilme ve özerk kararlar verebilme yeteneklerini geliştirmek üzere makine öğrenmesi algoritmaları ve teknikleri üzerine odaklanır. Bu ders, öğrencilere istatistiksel ve algoritmik yöntemlerle veri modellenmesi, öğrenme, tahminleme ve optimizasyon becerileri kazandırmayı, veriye dayalı karar alma süreçlerini anlama ve gerçek dünya problemlerine makine öğrenmesi tekniklerini uygulayabilme yeteneği sağlamayı hedefler. | Dersin İçeriği | Makine öğrenmesi içeriği, genellikle temel ve ileri düzeyde konuları kapsayan geniş bir yelpazede yer alır. Ders içeriği genellikle şunları içerir: temel istatistik ve olasılık, denetimli ve denetimsiz öğrenme teknikleri (regresyon, sınıflandırma, kümeleme), boyut indirgeme teknikleri (PCA, t-SNE), doğrusal ve doğrusal olmayan modeller, derin öğrenme ve sinir ağları, model değerlendirme ve seçimi, aşırı uydurma ve model genelleştirme, öğrenme algoritmaları (destek vektör makineleri, karar ağaçları, rastgele ormanlar), öğrenme optimizasyonu, veri ön işleme teknikleri, örnek veri setleri üzerinde uygulamalar, etik sorunlar ve makine öğrenimi uygulamalarının gerçek dünya senaryoları gibi konuları içerir. Bu içerik, öğrencilere makine öğrenimi alanında temel bilgileri sağlamanın yanı sıra öğrenme modellerini geliştirme, eğitme, uygulama ve sonuçlarını değerlendirme becerilerini kazandırmayı amaçlar. | Önkoşul Dersleri | | Dersi İşleyiş Yöntemi | Yüz Yüze | DERSİN KATEGORİSİ | Dersin Kategorisi (Genel) | Katkı Düzeyi (%) | Temel Mesleki Ders | 50 | Uzmanlık/Alan Dersi | 50 | Destek Dersi | 0 | Beceri, İletişim ve Yönetim Becerileri Dersi | 0 | Aktarılabilir Beceri Dersi | 0 |
| |
|
| | | | | | | | DERSİN KAZANIMLARI(Revizyon Tarihi:09.11.2023 12:47:00) | | Makine öğrenmesi ve temel kavramları anlama, denetimli ve denetimsiz öğrenme farklarını kavrama. | | Veri temizleme, dönüşüm ve özellik mühendisliği gibi veri hazırlama tekniklerini öğrenme. | | Doğrusal regresyon ve lojistik regresyon gibi temel doğrusal modellerin uygulanması. | | SVM algoritmasını anlama, sınıflandırma ve regresyon için kullanımını öğrenme. | | Karar ağaçları ve rastgele ormanlar gibi ağaç tabanlı öğrenme algoritmalarını kavrama. | | Kümeleme algoritmalarını (K-Means, Hiyerarşik Kümeleme) anlama ve uygulama. | | Derin sinir ağları, evrişimli ve rekürrent sinir ağlarını kavrama, uygulama yetkinliği. | | Modellerin performansını değerlendirme metrikleri ve hiperparametre seçimi üzerine çalışma. | | Aşırı uydurma problemlerini anlama, hata analizi yapma ve genelleme becerisi kazanma. | | Gerçek dünya verileri üzerinde makine öğrenimi modellerinin geliştirilmesi ve projelerin yönetilmesi. |
|
| | | |
|
|
| |