| Dersin Amacı: |
Bu dersin amacı, fizik öğrencilerini makine öğreniminin temelleriyle tanıştırmak ve fizik alanındaki uygulamalarını göstermek. Öğrenciler, makine öğrenimi algoritmalarının temelini ve veri analizinde kullanımlarını öğrenecekler. |
| Dersin İçeriği: |
Çok değişkenli analiz, üretici/ayırt edici öğrenme, denetimli ve denetimsiz öğrenme, kümeleme, çekirdek yöntemleri, artırılmış karar ağaçları, genetik algoritmalar, destek vektör makineleri, sinir ağları, derin öğrenme, parçacık fiziğinde uygulamalar. |
| Hafta |
Konu |
Ön Hazırlık |
| 1) |
NumPy ve Matplotlib kütüphanelerinin temelleri,
Makine öğreniminin genel bir bakışı,
Makine öğrenme türleri: gözetimli, gözetimsiz ve takviyeli öğrenme,
Veri temsili, özellikler ve hedeflerin temelleri |
|
| 2) |
Pandas ve Scikit-learn kütüphanelerinin temelleri,
Doğrusal regresyona giriş |
|
| 3) |
Doğrusal regresyon örnekleri,
Çoklu doğrusal regresyon örnekleri
|
|
| 4) |
Sınıflandırma algoritmalarına giriş,
En Yakın Komşu (K Nearest Neighbor) |
|
| 5) |
Destek Vektör Makinesi |
|
| 6) |
Karar Ağaçları, Güçlendirilmiş Karar Ağaçları, Rastgele Ormanlar |
|
| 7) |
Kümeleme algoritmalarına giriş, K-ortalama kümeleme, İzolasyon Ormanı |
|
| 8) |
Temel Bileşen Analizi (PCA), Korelasyon Matrisi |
|
| 9) |
Yapay Sinir Ağlarının (ANN) temel prensipleri, Algılayıcılar ve nöronlar, aktivasyon fonksiyonları, katmanlar |
|
| 10) |
Sinir ağının kurulması, Yapay sinir ağlarının eğitiminin temel prensipleri: kayıp fonksiyonları, optimize ediciler ve öğrenme oranları, Yapay sinir ağlarının performansını etkileyen faktörler |
|
| 11) |
MLP'lerle (Çok Katmanlı Algılayıcılar) Örnek Çalışma: Sınıflandırma |
|
| 12) |
MLP'lerle (Çok Katmanlı Algılayıcılar) Örnek Çalışma: Regresyon |
|
| 13) |
MLP'lerle (Çok Katmanlı Algılayıcılar) Örnek Çalışma: Zaman Serisi Analizi |
|
| 14) |
MLP'lerle (Çok Katmanlı Algılayıcılar) Örnek Çalışma: Boyut Azaltma, Yapay Sinir Ağı Mimarilerinin Genel Bakışı |
|
| Ders Notları / Kitaplar: |
Andreas C. Müller & Sarah Guido, “Introduction to Machine Learning with Python” (2018), ISBN: 978-1-449-36941-5.
Andriy Burkov, “The Hundred Page Machine Learning Book” (2019), ISBN: 978-1-9995795-0-0.
O. Behnke, K. Kröninger, G. Schott, T. Schröhner-Sadenius, “Data Analysis in High Energy Physics” (2013), ISBN: 978-3-527-41058-3. |
| Diğer Kaynaklar: |
Andreas C. Müller & Sarah Guido, “Introduction to Machine Learning with Python” (2018), ISBN: 978-1-449-36941-5.
Andriy Burkov, “The Hundred Page Machine Learning Book” (2019), ISBN: 978-1-9995795-0-0.
O. Behnke, K. Kröninger, G. Schott, T. Schröhner-Sadenius, “Data Analysis in High Energy Physics” (2013), ISBN: 978-3-527-41058-3. |
İSTİNYE ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
