AKTS - Mühendisler için Makine Öğrenmesi
Mühendisler için Makine Öğrenmesi (CMPE468) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Mühendisler için Makine Öğrenmesi | CMPE468 | Alan Seçmeli | 3 | 0 | 0 | 3 | 5 |
| Ön Koşul Ders(ler)i |
|---|
| N/A |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Seçmeli Dersler |
| Dersin Seviyesi | Lisans |
| Ders Verilme Şekli | Yüz Yüze |
| Dersin Öğrenme ve Öğretme Teknikleri | Anlatım. |
| Dersin Öğretmen(ler)i |
|
| Dersin Amacı | Bu dersin amacı; Makine öğrenmesi kavramlarını, algoritmalarını ve bunların mühendislik alanına uygulanmasını ileri seviye kalkülüs, lineer cebir ve olasılık teorisi gerektirmeden sağlamak ve farklı disiplinlerden öğrenciler ile oluşturulan disiplinler arası takım çalışması ile bir proje geliştirme becerisinin kazandırılmasıdır. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Yapay zeka, makine öğrenmesi, denetimli ve denetimsiz öğrenme, ikili sınıflandırma, çoklu sınıflandırma, kestirim, kümeleme, modellerin başarımını ölçmek. |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Neden Makine öğrenmesi? İlk örnek uygulama: Iris çiçeğinin sınıflandırılması | Ünite 1 (ana ders kitabı) |
| 2 | Denetimli öğrenme: Sınıflandırma ve Kestirim | Ch. 2.1 |
| 3 | K-En Yakın Komşular Algoritması | Ch. 2.2 |
| 4 | Lineer Modeller | Ch. 2.3 |
| 5 | Naive Bayes Sınıflandırıcı | Ch. 2.4 |
| 6 | Karar Ağaçları | Ch. 2.5 |
| 7 | Rastgele Ağaçlar | Ch. 2.6 |
| 8 | Destek Vektör Makineleri | Ch. 2.7 |
| 9 | Denetimsiz öğrenme | Ch. 3.1 |
| 10 | Kümeleme: K-Means Algoritması | Ch. 3.5 |
| 11 | Modellerini başarımını ölçmek: Çapraz doğrulama, birini-dışarıda-bırak, grid tarama | Ch 5.1 |
| 12 | Başarımın Ölçütleri ve Puanlaması | Ch. 5.2 |
| 13 | Proje sunumları | |
| 14 | Proje Sunumları |
Kaynaklar
| Ders Kitabı | 1. Introduction to Machine Learning with Python, A Guide for Data Scientists by Andreas C. Müller and Sarah Guido, O’Reilly Media, Inc, October 2016 |
|---|---|
| Diğer Kaynaklar | 3. Machine Learning 101, Data Science. Nov 26, 2018 |
| 4. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems / Aurelien Geron. | |
| 5. Introduction to Machine Learning, Ethem Alpaydin. MIT Press, 2014. | |
| 6. Orange web site, https://orange.biolab.si/ |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | - | - |
| Laboratuar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | - | - |
| Ödevler | - | - |
| Sunum | - | - |
| Projeler | 1 | 30 |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 30 |
| Genel Sınav/Final Juri | 1 | 40 |
| Toplam | 3 | 100 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 60 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 40 |
| Toplam | 100 |
Kurs Kategorisi
| Temel Meslek Dersleri | X |
|---|---|
| Uzmanlık/Alan Dersleri | |
| Destek Dersleri | |
| İletişim ve Yönetim Becerileri Dersleri | |
| Aktarılabilir Beceri Dersleri |
Dersin Öğrenim Çıktılarının Program Yeterlilikleri ile İlişkisi
| # | Program Yeterlilikleri / Çıktıları | Katkı Düzeyi | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Matematik, fen bilimleri ve hesaplama alanlarındaki bilgi birikimini, imalat teknolojileriyle ilgili mühendislik problemlerinin çözümünde uygular. | |||||
| 2 | İmalat teknolojilerine özgü sorunları analiz eder ve tanımlar. | |||||
| 3 | Karşılaşılan mühendislik sorununun çözümüne yönelik bir yaklaşım geliştirir, model ve deney tasarlar ve gerçekleştirir. | |||||
| 4 | Temel mühendislik ilkelerinin yaratıcı kullanımına dayalı olarak, ekonomik, çevresel sürdürülebilirlik ve üretilebilirlik kısıtları altında kapsamlı bir imalat sistemi (yöntem, ürün veya cihaz geliştirme) tasarlar. | |||||
| 5 | İmalat mühendisliği uygulamaları için modern teknik ve mühendislik araçlarını seçer ve kullanır. | |||||
| 6 | Bilgi teknolojilerini etkin kullanarak veri toplar, analiz eder, eleştirel düşünür, yorumlar ve doğru kararlar alır. | |||||
| 7 | Çok disiplinli ve disiplin içi takım üyesi ya da bireysel olarak etkin çalışır; gerekli özgüveni ve örgütsel iş becerilerini gösterir. | |||||
| 8 | Türkçe ve İngilizcede sözlü ve yazılı olarak etkin iletişim kurar. | |||||
| 9 | Yaşam boyu öğrenir, bilgiye erişir, bilim ve teknolojideki son gelişmeleri takip eder ve kendini sürekli yeniler. | |||||
| 10 | İmalat Mühendisliği alanında mesleki, hukuksal, etik ve sosyal sorunlar hakkında farkındalık gösterir ve sorumluluk bilinci taşır. | |||||
| 11 | Ulusal rekabet gücünü artırmak ve imalat sanayinin verimliliğini iyileştirmek amacıyla, kaynakları (personel, donanım, maliyet) etkin kullanır; çözüm odaklı proje ve risk yönetimi yapar; girişimcilik, yenilikçilik ve sürdürülebilir kalkınma konularında farkındalık gösterir. | |||||
| 12 | Karar alırken, mühendislik uygulamalarının evrensel ve yerel ölçeklerde sağlık, çevresel, sosyal ve hukuksal sonuçları hakkında bilgili olur. | |||||
ECTS/İş Yükü Tablosu
| Aktiviteler | Sayı | Süresi (Saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders saati (Sınav haftası dahildir: 16 x toplam ders saati) | 16 | 3 | 48 |
| Laboratuar | |||
| Uygulama | |||
| Derse Özgü Staj | |||
| Alan Çalışması | |||
| Sınıf Dışı Ders Çalışma Süresi | 16 | 2 | 32 |
| Sunum/Seminer Hazırlama | |||
| Projeler | 1 | 10 | 10 |
| Raporlar | |||
| Ödevler | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 10 | 10 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 15 | 15 |
| Toplam İş Yükü | 115 | ||