AKTS - Makine Öğrenmesine Giriş
Makine Öğrenmesine Giriş (CMPE363) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Makine Öğrenmesine Giriş | CMPE363 | Alan Seçmeli | 2 | 2 | 0 | 3 | 5 |
| Ön Koşul Ders(ler)i |
|---|
| N/A |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Seçmeli Dersler |
| Dersin Seviyesi | Fen Bilimleri Yüksek Lisans |
| Ders Verilme Şekli | Yüz Yüze |
| Dersin Öğrenme ve Öğretme Teknikleri | Anlatım. |
| Dersin Öğretmen(ler)i |
|
| Dersin Amacı | Bu dersin amacı; Makine öğrenmesi kavramnlarını, algoritmalarını ve bunların mühendislik alanına uygulanmasını ileri seviye kalkülüs, lineer cebir ve olasılık teorisi gerektirmeden öğretmektir. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Yapay Zeka, Makine öğrenmesi, Denetimli Denetimsiz öğrenme, İkili 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 | Ünite 2.1 |
| 3 | K-En Yakın Komşular Algoritması | Ünite 2.2 |
| 4 | Lineer Modeller | Ünite 2.3 |
| 5 | Naive Bayes Sınıflandırıcı | Ünite 2.4 |
| 6 | Karar Ağaçları ve Rastgele Ağaçlar | Ünite 2.5 ve 2.6 |
| 7 | Destek Vektör Makineleri | Ünite 2.7 |
| 8 | Denetimsiz öğrenme | Ünite 3.1 |
| 9 | Veri Dönüştürme | Ünite 3.2 |
| 10 | Boyut İndirgeme: Temel Bileşen Analizi (PCA) | Ünite 3.3 |
| 11 | Özellik Çıkarımı | Ünite. 3.4 |
| 12 | Kümeleme: K-Means Algoritması | Ünite 3.5 |
| 13 | Modellerini başarımını ölçmek: Çapraz doğrulama, birini-dışarıda-bırak, grid tarama | Ünite 5.1 |
| 14 | Başarımın Ölçütleri ve Puanlaması | Ünite 5.2 |
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 | 2. 1. Machine Learning 101, Data Science. Nov 26, 2018 |
| 3. 2. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems / Aurelien Geron. | |
| 4. 3. Introduction to Machine Learning, Ethem Alpaydin. MIT Press, 2014. |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | - | - |
| Laboratuar | 1 | 30 |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | - | - |
| Ödevler | 1 | 10 |
| Sunum | - | - |
| Projeler | - | - |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 30 |
| Genel Sınav/Final Juri | 1 | 30 |
| Toplam | 4 | 100 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 70 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 30 |
| 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 | İleri düzey hesaplama ve/veya bilişim bilgilerini yazılım mühendisliği problemlerini çözmede uygulama becerisi kazanır. | X | ||||
| 2 | Farklı teknolojiler, yazılım mimarileri ve yaşam-döngüsü yaklaşımları kullanarak çözümler geliştirir. | X | ||||
| 3 | Bir yazılım sistemini, bileşenini, sürecini veya programını, modern teknikler ve yazılım mühendisliği uygulamalarına yönelik mühendislik araçlarını kullanarak, tasarlama, gerçekleştirme ve değerlendirme becerisi kazanır. | X | ||||
| 4 | Yazılım gereksinimlerini anlamak için, veri toplama, analiz etme ve yorumlama becerisi kazanır. | X | ||||
| 5 | Yazılım projeleri üzerindeki çalışmalar kapsamında ortaya çıkan problemler üzerinde etkin sözlü ve yazılı iletişim ve kritik düşünme becerileri kazanır. | |||||
| 6 | Bilim ve teknoloji alanındaki güncel gelişmeleri izlemede bilgiye erişim becerisi kazanır ve yazılım mühendisliği alanında bilimsel araştırma yapar ve bir projeyi gerçekleştirir. | X | ||||
| 7 | Yazılım Mühendisliği ile ilgili profesyonel, hukuksal, sosyal ve sorumluluklar konularında anlayış edinir. | |||||
| 8 | Proje ve risk yönetim becerisi edinir ve girişimciliğin, yenilikçilik ve sürdürülebilir kalkınmanın önemi, uluslararası standartlar ve yöntemleri hakkında farkındalık kazanır; | |||||
| 9 | Yazılım Mühendisliği çözümlerinin, karar verme boyutunda, küresel, sosyal ve hukuki boyutları üzerindeki etkisini anlar. | |||||
| 10 | Yazılım Mühendisliği uygulamaları için mükemmellik standartlarının geliştirilmesi, benimsenmesi ve sürekli kullanımının desteklenmesi konularında farkındalık kazanır. G | |||||
ECTS/İş Yükü Tablosu
| Aktiviteler | Sayı | Süresi (Saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders saati (Sınav haftası dahildir: 16 x toplam ders saati) | 16 | 2 | 32 |
| Laboratuar | 12 | 2 | 24 |
| Uygulama | |||
| Derse Özgü Staj | |||
| Alan Çalışması | |||
| Sınıf Dışı Ders Çalışma Süresi | 16 | 1 | 16 |
| Sunum/Seminer Hazırlama | |||
| Projeler | |||
| Raporlar | |||
| Ödevler | 1 | 8 | 8 |
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 20 | 20 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 25 | 25 |
| Toplam İş Yükü | 125 | ||