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 Koordinatörü
Dersin Öğretmen(ler)i
Dersin Asistan(lar)ı
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;
  • Makine öğrenmesinin temel kavramları ve algoritmaları ile bunların uygulamalarını tanımlayabilmek
  • Makine öğrenmesi modellerini başarımını ölçmek ve parametre ayarlarını yapabilmek
  • Makine öğrenmesinde kullanılan algoritmaları belirli mühendislik problemlerine uygulayabilme
  • Farklı disiplinlerden öğrenciler ile oluşturulan disiplinler arası takım çalışması ile bir proje geliştirme
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 Elektrik-Elektronik Mühendisliği disiplinine özgü konularda yeterli bilgi birikimine sahip olur; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanır. X
2 Karmaşık mühendislik problemlerini saptar, tanımlar, formüle eder ve çözer; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular. X
3 Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar; bu amaçla modern tasarım yöntemlerini uygular. (Gerçekçi kısıtlar ve koşullar tasarımın niteliğine göre ekonomi, çevre sorunları, sürdürülebilirlik, üretilebilirlik, etik, sağlık, güvenlik, sosyal ve politik sorunlar gibi ögeleri içerir.) X
4 Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçer ve kullanır; bilişim teknolojilerini etkin bir şekilde kullanır.
5 Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlar, deney yapar, veri toplar, sonuçları analiz eder ve yorumlar.
6 Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışır; bireysel çalışma yeteneğini geliştirir. X
7 Sözlü ve yazılı etkin iletişim kurar; en az bir yabancı dil bilgisine sahip olur; etkin rapor yazar, yazılı raporları anlar, tasarım ve üretim raporları hazırlar, etkin sunum yapar, açık ve anlaşılır talimat verir ve alır.
8 Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık kazanır; bilgiye erişir, bilim ve teknolojideki gelişmeleri izler ve kendini sürekli yeniler.
9 Etik ilkelere uygun davranır, mesleki ve etik sorumluluk sahibi olur ve mühendislik uygulamalarında kullanılan standartlar hakkında bilgi sahibi olur.
10 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi iş hayatındaki uygulamalar hakkında bilgi sahibi olur; girişimcilik ve yenilikçilik konusunda farkındalık kazanır; sürdürülebilir kalkınma hakkında bilgi edinir.
11 Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkilerini bilir; çağın mühendislik alanına yansıyan sorunları anlar ve mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık kazanır.

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