Dersin Amacı: |
Bu ders, denetimli ve denetimsiz öğrenme, sınıflandırma, regresyon, kümeleme, karar ağaçları ve derin öğrenmenin temellerini kapsayacaktır. Öğrenciler, görüntü sınıflandırma, doğal dil işleme ve öneri sistemleri gibi gerçek dünya problemlerini çözmek için bu teknikleri nasıl uygulayacaklarını öğreneceklerdir. Ayrıca, ders, etkili Makine Öğrenmesi modelleri geliştirmek için önemli olan model değerlendirme, özellik seçimi ve veri ön işleme kavramlarını da ele alacaktır.
|
Dersin İçeriği: |
Dersin içeriği, doğrusal regresyon, lojistik regresyon, K-En Yakın Komşu, Destek Vektör Makineleri, Naive Bayes, K-ortalama kümeleme, Temel Bileşen Analizi, rastgele orman gibi toplu öğrenme algoritmaları ve gradyan artırma makineleri, tek katmanlı ve çok katmanlı algılayıcılara sahip yapay sinir ağları gibi konuları kapsamaktadır.
|
Hafta |
Konu |
Ön Hazırlık |
1) |
Makine Öğrenmesine Giriş |
|
2) |
Denetimli Öğrenme-Regresyon Problemi
|
|
3) |
Denetimli Öğrenme
-Sınıflandırma Problemi
-Lojistik Regresyon
-K-En Yakın Komşu |
|
4) |
Keşfedici Veri Analizi
- Veri Ön İşleme |
|
5) |
Denetimli Öğrenme
- Karar Ağacı
- Dengesiz Veri Kümeleriyle Başa Çıkma
|
|
6) |
Denetimli Öğrenme
-Rastgele Orman
-Çapraz Doğrulama ve Türleri
|
|
7) |
Denetimli Öğrenme
Naif Bayes ve Destek Vektör Makineleri |
|
8) |
Ara Sınav
|
|
9) |
Denetimli Öğrenme
-Hiperparametre ayarlama
- Performans metrikleri
|
|
10) |
Denetimsiz Öğrenme
|
|
11) |
Ensemble Öğrenme Yöntemleri
|
|
12) |
Boyut Azaltma
|
|
13) |
Yapay Sinir Ağları
Algılayıcılar |
|
14) |
Yapay Sinir Ağları
Çok Katmanlı Ağlar |
|
Ders Notları / Kitaplar: |
1) Introduction to Machine Learning, Ethem Alpaydın (3rd Edition), 2014, MIT Press
2) Understanding Machine Learning: From Theory to Algorithms, Shai Shalev-Shwartz, Shai Ben-David (1st Edition), 2014, Cambridge University Press
3) Pattern Recognition and Machine Learning, Christopher Bishop (1st Edition), 2006, Springer
4) Learning from Data, Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin (1st Edition), 2012, AMLBook
|
Diğer Kaynaklar: |
"1) Linear Algebra and Optimization for Machine Learning: A Textbook, Charu C. Aggarwal (1st Edition), 2020, Springer Press
2) Optimization for Machine Learning, Suvrit Sra, Sebastian Nowozin, Stephen J. Wright (Edited - 1st Edition), 2011, MIT Press"
|
|
Dersin Program Kazanımlarına Etkisi |
Katkı Payı |
1) |
Matematik, bilim ve bilgisayar mühendisliği prensipleri hakkında yeterli bilgiye sahip olma, hem teorik hem de pratik olarak, ve bu bilgiyi karmaşık mühendislik problemlerine uygulayabilme becerisi. |
2 |
2) |
Uygun analiz ve modelleme tekniklerini kullanarak karmaşık bilgisayar mühendisliği problemlerini tanımlama, formülleme ve çözebilme yeteneği. |
2 |
3) |
Belirli gereksinimleri karşılayan ve gerçekçi kısıtlar ve koşullar altında çalışan karmaşık bilgisayar sistemleri, cihazlar veya ürünler tasarlama ve geliştirme yeteneği, modern tasarım yöntemlerini kullanma yeteneği. |
|
4) |
Karmaşık bilgisayar mühendisliği problemlerinin analizi ve çözümü için kullanılan modern teknikleri ve araçları geliştirme, seçme ve kullanabilme yeteneği, bilgi teknolojilerini etkili bir şekilde kullanabilme yeteneği. |
2 |
5) |
Karmaşık bilgisayar mühendisliği problemleri veya araştırma konularının incelenmesinde deney planlama ve yürütme, veri toplama ve analiz etme, sonuçları yorumlama yeteneği. |
2 |
6) |
Çok disiplinli ekiplerde etkili bir şekilde çalışma yeteneği; bireysel çalışma becerileri. |
|
7) |
Sözlü ve yazılı iletişim becerileriyle etkili iletişim kurabilme; en az bir yabancı dil bilgisi; etkili raporlar yazabilme ve yazılı raporları anlayabilme, tasarım ve üretim raporları hazırlayabilme, etkili sunumlar yapabilme, açık ve anlaşılır talimatlar verip alabilme yeteneği. |
|
8) |
Yaşam boyu öğrenme gerekliliğinin farkında olma; bilgiye erişme yeteneği, bilim ve teknolojideki gelişmeleri takip etme ve sürekli yenileme yeteneği. |
|
9) |
Etik prensiplere, mesleki ve etik sorumluluğa uygun davranma; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi sahibi olma. |
|
10) |
Proje yönetimi, risk yönetimi ve değişim yönetimi gibi iş uygulamaları hakkında bilgi; girişimcilik ve yenilik farkındalığı; sürdürülebilir kalkınma hakkında bilgi. |
|
11) |
Bilgisayar mühendisliği uygulamalarının sağlık, çevre ve güvenlik üzerindeki etkileri ve bilgisayar mühendisliğine yansıyan dönemin sorunları hakkında bilgi sahibi olma; bilgisayar mühendisliği çözümlerinin yasal sonuçları konusunda farkındalık. |
|