| Bilgisayar Mühendisliği (YL) (Tezli) (İngilizce) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu: | COE5021 | ||||
| Ders İsmi: | Machine Learning | ||||
| Ders Yarıyılı: | Güz | ||||
| Ders Kredileri: |
|
||||
| Öğretim Dili: | İngilizce | ||||
| Ders Koşulu: | |||||
| Ders İş Deneyimini Gerektiriyor mu?: | Evet | ||||
| Dersin Türü: | Bölüm/Program Seçmeli | ||||
| Dersin Seviyesi: |
|
||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||
| Dersin Koordinatörü: | Doç. Dr. EMİR SEYYEDABBASİ | ||||
| Dersi Veren(ler): | Femilda Josephin Joseph Shobana Bai | ||||
| Dersin Yardımcıları: |
| Dersin Amacı: | Bu kurs, çeşitli öğrenme görevlerine yönelik bütünlük arz eden hesaplamalı yaklaşımlara kapsamlı bir giriş sunmayı amaçlamaktadır. Temel konular, denetimli öğrenme ve denetimsiz algoritmaları, enseml öğrenme yöntemlerini ve yapay sinir ağlarını içerir. Katılımcılar, bu tekniklerin uygulamalarına dair pratik içgörüler elde edecek ve veri ön işleme gibi temel kavramlar ile makine öğrenimi modellerindeki önyargı ve varyans ile ilgili konuları anlama fırsatı bulacaklardır. Teorik temeller ve uygulamalı çalışmalar aracılığıyla, öğrenciler gerçek dünya senaryolarında çeşitli hesaplamalı yaklaşımları yönlendirmek ve uygulamak için gerekli becerileri geliştireceklerdir. |
| Dersin İçeriği: | Bu kurs, hem denetimli hem de gözetimsiz öğrenme yaklaşımlarını kapsayan makine öğrenimi konusunda kapsamlı bir genel bakış sunar. Denetimli öğrenmeye odaklanarak başlar ve regresyon problemleri ve sınıflandırma problemleri, lojistik regresyon, K-En Yakın Komşu, karar ağaçları, dengesiz veri kümeleriyle başa çıkma, rastgele ormanlar ve çapraz doğrulama gibi teknikleri içerir. Kurs, etkili makine öğrenimi için esas olan keşifsel veri analizi ve veri ön işleme tekniklerine derinlemesine bir bakış sunar. Ardından, hiperparametre ayarlama, boyut azaltma ve denetimsiz öğrenme gibi ileri konulara ilerler. Özellikle artırma tekniklerini içeren ensemble öğrenme yöntemleri ele alınır ve perceptronlar ve çok katmanlı ağlar da dahil olmak üzere yapay sinir ağlarına derinlemesine bir çalışma yapılır. Kurs, öğrencilere edindikleri bilgileri gerçek dünya senaryolarına uygulama fırsatı sunan bir proje sunumu ile sona erer. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Lojistik regresyon, K-En Yakın Komşu ve karar ağaçları gibi algoritmaları uygulayarak ve yorumlayarak hem regresyon hem de sınıflandırma problemlerinde yeterlilik kazanın. 2) Dengesiz veri kümelerini ele alma becerisi, keşfedici veri analizi becerileri ve etkili veri ön işleme teknikleri ile birleştirilir. 3) Hiperparametre ayarlama, boyutluluk azaltma ve denetimsiz öğrenme yaklaşımları dahil olmak üzere ileri teknikleri anlama ve uygulama becerisi geliştirmek. 4) Topluluk modellerinin tasarlanması ve değerlendirilmesinde pratik becerilerin yanı sıra topluluk öğrenimi içindeki tekniklerin güçlendirilmesinde bilgi edinimi. 5) Algılayıcıları ve çok katmanlı ağları kapsayan yapay sinir ağlarının derinlemesine anlaşılmasının yanı sıra sinir ağı modellerinin tasarlanması, eğitimi ve değerlendirilmesinde pratik yeterlilik. |
| Hafta | Konu | Ön Hazırlık |
| 1) | Makine Öğrenimine Giriş | Ders Notları |
| 2) | Denetimli Öğrenme - Regresyon Problemi | Ders Notları |
| 3) | Denetimli Öğrenme - Sınıflandırma Problemi - Lojistik regresyon - K-En Yakın Komşu | Ders Notları |
| 4) | Keşif Amaçlı Veri Analizi Veri Ön İşleme | Ders Notları |
| 5) | Denetimli Öğrenme - Karar ağacı - Dengesiz veri setini yönetme | Ders Notları |
| 6) | Denetimli Öğrenme - Rastgele Orman - Çapraz Doğrulama ve türleri | Ders Notları |
| 7) | Denetimli Öğrenme - Naive Bayes ve Destek Vektör Makineleri | Ders Notları |
| 8) | Ara SINAV | Ders Notları |
| 9) | Denetimli Öğrenme - Hiper parametre ayarı Boyutsal küçülme | Ders Notları |
| 10) | Denetimsiz Öğrenme | Ders Notları |
| 11) | Topluluk Öğrenme Yöntemleri - Güçlendirme Teknikleri | Ders Notları |
| 12) | Yapay Sinir Ağları Algılayıcılar | Ders Notları |
| 13) | Yapay Sinir Ağları Çok Katmanlı Ağlar | Ders Notları |
| 14) | Yapay Sinir Ağları Çok Katmanlı Ağlar | Ders Notları |
| Ders Notları / Kitaplar: | • Introduction to Machine Learning, Ethem Alpaydın (3rd Edition), 2014, MIT Press • Understanding Machine Learning: From Theory to Algorithms, Shai Shalev-Shwartz, Shai Ben-David (1st Edition), 2014, Cambridge University Press • Learning from Data, Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin (1st Edition), 2012, AMLBook • Machine Learning Refined: Foundations, Algorithms, and Applications, Jeremy Watt, Reza Borhani, Aggelos K. Katsaggelos (1st Edition), 2016, Cambridge University Press |
| Diğer Kaynaklar: | • Machine Learning: a Probabilistic Perspective, Kevin P. Murphy (1st Edition), 2012, MIT Press • Machine Learning, Tom Mitchell (1st Edition), 1997, McGraw Hill Press • A Course in Machine Learning10, Hal Daume III (2nd Edition), 2017 • Introduction to Machine Learning, Alex Smola, S.V.N. Vishwanathan (1st Edition), 2008, Cambridge University Press • Machine Learning: the Art and Science of Algorithms that Make Sense of Data, Peter Flach (1st Edition), 2012, Cambridge University Press • Bayesian Reasoning and Machine Learning, David Barber (1st Edition - Rev. 2020), 2012, Cambridge University Press • The Hundred-Page Machine Learning Book, Andriy Burkov, 2019 • Machine Learning Mastery with Python, Jason Brownlee, 2016 • Reinforcement Learning: an Introduction, Richard S. Sutton, Andrew G. Barto (2nd Edition - Rev. 2020), 2018, MIT Press • Artificial Intelligence - With an Introduction to Machine Learning17, Richard E. Neapolitan, Xia Jiang (2nd Edition), 2018, CRC Press • Machine Learning Yearning, Andrew Ng (1st Edition), 2020, deeplearning.ai • Machine Learning - The New AI, Ethem Alpaydin (1st Edition), 2016, MIT Press |
| Ders Öğrenme Kazanımları | 1 |
2 |
3 |
4 |
5 |
|||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Program Kazanımları | ||||||||||||
| 1) Lisans düzeyi yeterliliklerine dayalı olarak, aynı veya farklı bir alanda bilgilerini uzmanlık düzeyinde geliştirebilme ve derinleştirebilme. | ||||||||||||
| 2) Alanında edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgileri kullanabilme. | ||||||||||||
| 3) Alanında edindiği bilgileri farklı disiplin alanlarından gelen bilgilerle bütünleştirerek yorumlayabilme ve yeni bilgiler oluşturabilme, | ||||||||||||
| 4) Alanı ile ilgili karşılaşılan sorunları araştırma yöntemlerini kullanarak çözümleyebilme. | ||||||||||||
| 5) Alanı ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilme. | ||||||||||||
| 6) Alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirebilme ve sorumluluk alarak çözüm üretebilme. | ||||||||||||
| 7) Alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme ve öğrenmesini yönlendirebilme. | ||||||||||||
| 8) Alanındaki güncel gelişmeleri ve kendi çalışmalarını, nicel ve nitel veriler ile destekleyerek alanındaki ve alan dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli biçimde aktarabilme. | ||||||||||||
| 9) Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyi'nde kullanarak sözlü ve yazılı iletişim kurabilme. | ||||||||||||
| 10) Alanının gerektirdiği düzeyde bilgisayar yazılımı ile birlikte bilişim ve iletişim teknolojilerini ileri düzeyde kullanabilme. | ||||||||||||
| 11) Alanı ile ilgili verilerin toplanması, yorumlanması, uygulanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri gözeterek denetleyebilme ve bu değerleri öğretebilme. | ||||||||||||
| 12) Alanında özümsedikleri bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinlerarası çalışmalarda kullanabilme. | ||||||||||||
| Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Lisans düzeyi yeterliliklerine dayalı olarak, aynı veya farklı bir alanda bilgilerini uzmanlık düzeyinde geliştirebilme ve derinleştirebilme. | |
| 2) | Alanında edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgileri kullanabilme. | |
| 3) | Alanında edindiği bilgileri farklı disiplin alanlarından gelen bilgilerle bütünleştirerek yorumlayabilme ve yeni bilgiler oluşturabilme, | |
| 4) | Alanı ile ilgili karşılaşılan sorunları araştırma yöntemlerini kullanarak çözümleyebilme. | |
| 5) | Alanı ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilme. | |
| 6) | Alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirebilme ve sorumluluk alarak çözüm üretebilme. | |
| 7) | Alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme ve öğrenmesini yönlendirebilme. | |
| 8) | Alanındaki güncel gelişmeleri ve kendi çalışmalarını, nicel ve nitel veriler ile destekleyerek alanındaki ve alan dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli biçimde aktarabilme. | |
| 9) | Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyi'nde kullanarak sözlü ve yazılı iletişim kurabilme. | |
| 10) | Alanının gerektirdiği düzeyde bilgisayar yazılımı ile birlikte bilişim ve iletişim teknolojilerini ileri düzeyde kullanabilme. | |
| 11) | Alanı ile ilgili verilerin toplanması, yorumlanması, uygulanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri gözeterek denetleyebilme ve bu değerleri öğretebilme. | |
| 12) | Alanında özümsedikleri bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinlerarası çalışmalarda kullanabilme. |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 4 | % 10 |
| Sunum | 3 | % 5 |
| Projeler | 2 | % 15 |
| Ara Sınavlar | 2 | % 30 |
| Final | 2 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Aktiviteye Hazırlık | Aktivitede Harçanan Süre | Aktivite Gereksinimi İçin Süre | İş Yükü | ||
| Sınıf Dışı Ders Çalışması | 10 | 8 | 80 | ||||
| Sunum / Seminer | 3 | 5 | 15 | ||||
| Proje | 2 | 10 | 20 | ||||
| Ödevler | 4 | 4 | 16 | ||||
| Ara Sınavlar | 2 | 6 | 12 | ||||
| Final | 2 | 6 | 12 | ||||
| Toplam İş Yükü | 155 | ||||||