AKTS - Pratik Makine Öğrenimi
Pratik Makine Öğrenimi (ISE441) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Pratik Makine Öğrenimi | ISE441 | 7. Dönem | 3 | 0 | 0 | 3 | 5 |
| Ön Koşul Ders(ler)i |
|---|
| N/A |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Zorunlu Bölüm Dersleri |
| 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, bilgi sistemleri mühendisliği bağlamında öğrencilerin veri odaklı problemler için uçtan uca bir süreç oluşturmalarını (veri toplama, ön işleme, görselleştirme/analiz, modelleme ve test/değerlendirme dahil); uygun algoritmaları ve performans ölçütlerini seçmelerini; çapraz doğrulama ve hiperparametre optimizasyonu kullanarak genelleştirilebilir modeller geliştirmelerini; ve bulguları teknik raporlar ve sunumlar aracılığıyla etkili bir şekilde iletmelerini sağlamaktır. Bu amaç, dersin resmi içerik başlıklarıyla tutarlıdır. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Veri toplama, Veri ön işleme, Veri görselleştirme ve analizi, Öznitelik mühendisliği, Makine öğrenme algoritmaları, Makine öğrenme modeli seçimi ve eğitimi, Model test etme ve değerlendirme, Hiperparametre optimizasyonu, Çapraz doğrulama |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Ders tanıtımı; Makine öğrenimi yaşam döngüsü; veri-model-değerlendirme süreci | İstatistiksel Öğrenmeye Giriş (Bölüm 1'e Giriş) |
| 2 | Veri kaynakları; veri toplama; veri kalitesi; temel etik/standartlar bilinci | scikit-learn ve pandas dokümanlarına giriş |
| 3 | Veri ön işleme I: Eksik değerler, aykırı değerler, veri tipleri | pandas Kullanıcı Kılavuzu: eksik veriler |
| 4 | Keşifsel Veri Analizi ve Görselleştirme; Değişken İlişkileri; Veri Sızıntısı Risklerine Giriş | scikit-learn: değerlendirmeye genel bakış |
| 5 | Özellik mühendisliği; ölçeklendirme ve kodlama; işlem hatları | scikit-learn: model seçimi ve iş akışları |
| 6 | Denetimli öğrenme I: regresyon; hata ölçütleri; temel düzenleme | ISL: regresyon bölümleri |
| 7 | Denetimli öğrenme II: sınıflandırma; karışıklık matrisi; ROC–AUC, F1 | ISL: sınıflandırma bölümleri |
| 8 | Dönem ortası sınavı; dönem projesi problemi ve veri seti onayı | Proje yönergeleri (kurumsal) |
| 9 | Ağaçlar ve topluluklar (RF/güçlendirme); aşırı uyum tartışması | ISL: ağaçlar/topluluklar |
| 10 | Denetimsiz öğrenme: kümeleme; boyut indirgeme (PCA) | ISL: denetimsiz öğrenme |
| 11 | Model değerlendirmesi: çapraz doğrulama; sızıntıyı dikkate alan tasarım | scikit-learn çapraz doğrulama |
| 12 | Hiperparametre optimizasyonu: ızgara/rastgele; iç içe fikirler | scikit-learn hiperparametre ayarlaması |
| 13 | Hata analizi; ölçüt seçimi; yorumlanabilirlik ve rapor yazımı | Yapıcı uyum ve raporlama notları |
| 14 | Uygulama örneği: Bilgi sistemlerinde tahmin/segmentasyon/anomali; devreye alma öncesi kontrol listesi | Ders notları + tekrar |
| 15 | Proje sunumları; akran geri bildirimi; genel değerlendirme | Proje raporu şablonu |
| 16 | Final Sınavı | ISL incelemesi + ders notları |
Kaynaklar
| Ders Kitabı | 1. An Introduction to Statistical Learning (official website provides access to R and Python editions) |
|---|---|
| Diğer Kaynaklar | 2. The Elements of Statistical Learning (official author website provides access to the PDF) |
| 3. Introduction to Machine Learning (MIT Press book page) |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | - | - |
| Laboratuar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | 3 | 10 |
| Ödevler | 4 | 20 |
| Sunum | - | - |
| Projeler | 1 | 25 |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 20 |
| Genel Sınav/Final Juri | 1 | 25 |
| Toplam | 10 | 100 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 50 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 50 |
| 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. | |||||
| 2 | Farklı teknolojiler, yazılım mimarileri ve yaşam-döngüsü yaklaşımları kullanarak çözümler geliştirmek. | |||||
| 3 | Bir yazılım sistemini, bileşenini, sürecini veya programını, modern teknikler ve yazılım mühendisliği uygulamalarına yönelik mühendislik araçlarını kullanarak, tasarlama, gerçekleştirme ve değerlendirme becerisi. | |||||
| 4 | Yazılım gereksinimlerini anlamak için, veri toplama, analiz etme ve yorumlama becerisi. | |||||
| 5 | Yazılım projeleri üzerindeki çalışmalar kapsamında ortaya çıkan problemler üzerinde etkin sözlü ve yazılı iletişim ve kritik düşünme becerileri. | |||||
| 6 | Bilim ve teknoloji alanındaki güncel gelişmeleri izlemede bilgiye erişim becerisi ve yazılım mühendisliği alanında bilimsel araştırma yapmak ve bir projeyi gerçekleştirmek. | |||||
| 7 | Yazılım Mühendisliği ile ilgili profesyonel, hukuksal, sosyal ve sorumluluklar konularında anlayış. | |||||
| 8 | Proje ve risk yönetim becerisi; girişimciliğin, yenilikçilik ve sürdürülebilir kalkınmanın önemi hakkında farkındalık; uluslararası standartların ve yöntemlerin bilinmesi. | |||||
| 9 | Yazılım Mühendisliği çözümlerinin, karar verme boyutunda, küresel, sosyal ve hukuki boyutları üzerindeki etkisini anlamak. | |||||
| 10 | Yazılım Mühendisliği uygulamaları için mükemmellik standartlarının geliştirilmesi, benimsenmesi ve sürekli kullanımının desteklenmesi. | |||||
ECTS/İş Yükü Tablosu
| Aktiviteler | Sayı | Süresi (Saat) | Toplam İş Yükü |
|---|---|---|---|
| Teorik Ders saati (Sınav haftası dahildir: 16 x teorik ders saati) | 16 | 3 | 48 |
| Laboratuar | |||
| Uygulama | |||
| Derse Özgü Staj | |||
| Alan Çalışması | |||
| Sınıf Dışı Ders Çalışma Süresi | 16 | 1 | 16 |
| Sunum/Seminer Hazırlama | |||
| Projeler | 1 | 10 | 10 |
| Raporlar | |||
| Ödevler | 4 | 4 | 16 |
| Küçük Sınavlar/Stüdyo Kritiği | 3 | 2 | 6 |
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 15 | 15 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 20 | 20 |
| Toplam İş Yükü | 131 | ||