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 | 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 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 | 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 | Ünite 2.5 |
| 7 | Rastgele Ağaçlar | Ünite 2.6 |
| 8 | Destek Vektör Makineleri | Ünite 2.7 |
| 9 | Denetimsiz öğrenme | Ünite 3.1 |
| 10 | Kümeleme: K-Means Algoritması | Ünite 3.5 |
| 11 | Modellerini başarımını ölçmek: Çapraz doğrulama, birini-dışarıda-bırak, grid tarama | Ünite 5.1 |
| 12 | Başarımın Ölçütleri ve Puanlaması | Ünite 5.2 |
| 13 | Proje sunumları | |
| 14 | Proje Sunumları | |
| 15 | Gözden geçirme | |
| 16 | Gözden geçirme |
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. Machine Learning 101, Data Science. Nov 26, 2018 |
| 3. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems / Aurelien Geron | |
| 4. Introduction to Machine Learning, Ethem Alpaydin. MIT Press, 2014. | |
| 5. Orange web page, 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 | 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 | 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 | ||