Ders Adı Makine Öğrenmesi
Ders Kodu BLG-405
Dersin Türü Zorunlu
Ders Biriminin Seviyesi Lisans
Yıl 4
Dönem 7.Yarıyıl
AKTS 5
Dersi Veren(ler) Doç.Dr. Sinan UĞUZ
Dersin Yardımcıları Arş. Gör. Ahmet Bestami Köse
Ders İşleme Biçimi Yüz Yüze
Önkoşul Dersleri
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.
Dersin Verildiği Diller Türkçe
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.
No Dersin Kazanımları  
1 Makine öğrenmesi ve temel kavramları anlama, denetimli ve denetimsiz öğrenme farklarını kavrama.
2 Veri temizleme, dönüşüm ve özellik mühendisliği gibi veri hazırlama tekniklerini öğrenme.
3 Doğrusal regresyon ve lojistik regresyon gibi temel doğrusal modellerin uygulanması.
4 SVM algoritmasını anlama, sınıflandırma ve regresyon için kullanımını öğrenme.
5 Karar ağaçları ve rastgele ormanlar gibi ağaç tabanlı öğrenme algoritmalarını kavrama.
6 Kümeleme algoritmalarını (K-Means, Hiyerarşik Kümeleme) anlama ve uygulama.
7 Derin sinir ağları, evrişimli ve rekürrent sinir ağlarını kavrama, uygulama yetkinliği.
8 Modellerin performansını değerlendirme metrikleri ve hiperparametre seçimi üzerine çalışma.
DERSİN KAZANIMLARI / PROGRAM YETERLİKLERİ İLİŞKİ MATRİSİ
DKPY1PY2PY3PY4PY5PY6PY7PY8PY9PY10PY11PY12
1
2
3
4
5
6
7
8
9
10
5-Çok Yüksek İlişkili 4- Yüksek İlişkili 3-Orta İlişkili 2- Zayıf İlişkili 1-Çok Zayıf İlişkili 0-İlişkisiz
Hafta Konular  
1 [Makine öğrenmesinde temel kavramlar-1
2 Makine öğrenmesinde temel kavramlar-2 ; Vektörler ve Matrisler
3 En küçük kareler yöntemi
4 Türev, Gradyan vektörü, Eğim iniş Algoritması, Regresyon için performans metrikleri
5 Çoklu Doğrusal Regresyon
6 k-en yakın komşu algoritması; Sınıflandırma için performans metrikleri
7 Perceptron Algoritması; Çok katmanlı Perceptonlar ve Geri Yayılım Algoritması
8 Destek vektör makineleri
9 Evrişimli Sinir Ağları
10 Evrişimli Sinir Ağlarında Mimari Tasarımı; Hiperparametreler
11 Sınıflandırma Mimarileri; AlexNet, VGG, ResNet, Inception
12 Transfer Öğrenme
13 Nesne Tespit Mimarileri; Bölge Önerisine Dayalı mimariler
14 Nesne Tespit Mimarileri; SSD,YOLO
No Bölüm Öğrenme Çıktısı Katkı Düzeyi
1 Matematik, fen bilimleri ve bilgisayar mühendisliğine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi. 2
2 Teknolojideki hızlı gelişmelere paralel olarak, hangi temel bilgilere ihtiyaç duyduğunu belirleme becerisi. 2
3 Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. 2
4 Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. 2
5 Karmaşık bir sistemi, süreci, cihazı veya ürününü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi 2
6 Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. 3
7 Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. 3
8 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik,yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. 3
9 Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. 3
10 Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi. 3
11 Bilişim uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın bilişim alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. 4
12 Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; bilişim uygulamalarında kullanılan standartlar hakkında bilgi. 4
Yarıyıl İçi Çalışmaları Sayısı Katkı Payı
Ara Sınav 1 0
Kısa Sınav 0 0
Ödev 0 0
Devam 0 0
Uygulama 0 0
Labaratuvar 0 0
Proje 0 0
Atölye 0 0
Seminer 0 0
Arazi Çalışması 0 0
Sözlü sınav 0 0
Portfolyo 0 0
Doküman İncelemesi 0 0
Performans değerlendirme 0 0
Sunum 0 0
Alan Çalışması 0 0
Vaka Çalışması 0 0
Video Kaydı 0 0
Öz değerlendirme 0 0
Akran Değerlendirme 0 0
Eşleştirme Testleri 0 0
Çoktan seçmeli test 0 0
Kısa Cevaplı test 0 0
Kontrol listeleri 0 0
Dereceleme Ölçekleri 0 0
Zihin Haritalama 0 0
Araştırma yazısı 0 0
Çevrimiçi anket 0 0
Çevrimiçi Kısa sınav 0 0
TOPLAM 0
Yıliçinin Başarıya Oranı 40
Finalin Başarıya Oranı 60
TOPLAM 100
AKTS kredilerinin belirlenmesinde öğrenci işyükü anketlerinden faydalanılmaktadır.
Etkinlik Sayısı Süresi Toplam
Ders Süresi (Sınav Haftaları Hariç) 14 4 56
Sınıf Dışı Ders Çalışma Süresi 14 4 56
Ödevler 0 0 0
Sunum 0 0 0
Proje 0 0 0
Laboratuar Çalışması 0 0 0
Arazi ya da Alan Çalışması 0 0 0
Ara Sınavlar 1 20 20
Yarıyıl Sonu Sınavı 1 20 20
İşyükü Saati (30) 0
Toplam İşyükü / Saat 152    
Dersin Akts Kredisi 5    
Ders Notu Makine öğrenmesi - Teorik yönleri ve Python uygulamaları ile bir yapay zekâ ekolü Yazar:Sinan UĞUZ http://ailab.isparta.edu.tr/dersler/ Elgendy, M. (2020). Deep learning for vision systems. Simon and Schuster.
Diğer Kaynaklar Makine öğrenmesi - Teorik yönleri ve Python uygulamaları ile bir yapay zekâ ekolü Yazar:Sinan UĞUZ http://ailab.isparta.edu.tr/dersler/ Elgendy, M. (2020). Deep learning for vision systems. Simon and Schuster.
Materyal
Dökümanlar Makine öğrenmesi - Teorik yönleri ve Python uygulamaları ile bir yapay zekâ ekolü Yazar:Sinan UĞUZ http://ailab.isparta.edu.tr/dersler/ Elgendy, M. (2020). Deep learning for vision systems. Simon and Schuster.
Ödevler
Sınavlar
Materyal Diğer
Planlanmış Öğrenme Faaliyetleri ve Öğretim Yöntemleri