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, fen bilimleri ve yazılım mühendisliğine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi. |
2 |
2) |
Karmaşık yazılım mühendisliği problemlerini tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. |
2 |
3) |
Karmaşık bir yazılım sistemini, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama, gerçekleştirme, sınama, doğrulama, ölçme ve bakımını yapma becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. |
|
4) |
Yazılım mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. |
2 |
5) |
Karmaşık mühendislik problemlerinin veya yazılım mühendisliği araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. |
2 |
6) |
Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. |
|
7) |
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. |
|
8) |
Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. |
|
9) |
Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk ve yazılım mühendisliği uygulamalarında kullanılan standartlar hakkında bilgi. |
|
10) |
Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. |
|
11) |
Yazılım mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın yazılım mühendisliği alanına yansıyan sorunları hakkında bilgi; yazılım mühendisliği çözümlerinin hukuksal sonuçları konusunda farkındalık. |
|