DERSİN TÜRÜ	Seçmeli
DERSİN DÜZEYİ	Doktora
DERSİN YILI	-
YARIYIL	-
AKTS	10
ÖĞRETİM ELEMAN(LAR)I	-
DERSİN ÖĞRENME KAZANIMLARI	Bu dersin sonunda öğrenciler; 1) İstatistiksel veri analizinin temel prensiplerini öğrenir. 2) Örüntü tanıma programları geliştirme ve bunları kullanma pratiği kazanır. 3) Örüntü tanıma tekniklerini problem çözmek için kullanma yeteneği kazanır.
DERSİN VERİLİŞ BİÇİMİ	Yüz Yüze
DERSİN ÖNKOŞULLARI	Yok
ÖNERİLEN DERSLER	Yok
DERS TANIMI	Veri analizi temelleri,Özellik azaltma,Öğreticili sınıflandırma,Perseptron algoritmaları,Doğrusal ayırıcılar,En yakın komşuluk,En büyük ihtimal kestirimi,Bayes çıkarımı,Destek vektör makinaları,Saklı Markov modelleri,Öğreticisiz yöntemler K-ortalama,Hiyerarşik kümeleme,Yakın gelişmeler
DERS İÇERİĞİ	HAFTA KONULAR 1. Hafta Veri analizi temelleri 2. Hafta Özellik azaltma 3. Hafta Öğreticili sınıflandırma 4. Hafta Perseptron algoritmaları 5. Hafta Doğrusal ayırıcılar 6. Hafta En yakın komşuluk 7. Hafta En büyük ihtimal kestirimi,Bayes çıkarımı 8. Hafta Ara-sınav 9. Hafta Destek vektör makinaları 10. Hafta Saklı Markov modelleri 11. Hafta Öğreticisiz yöntemler 12. Hafta K-ortalama 13. Hafta Hiyerarşik kümeleme 14. Hafta Yakın gelişmeler
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR	Pattern Classification 2nd. Edition., R.O. Duda, P.E. Hart & D.G. Stork, J. Wiley Inc., 2001
ÖĞRETİM YÖNTEM VE TEKNİKLERİ	Proje
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ	Sayısı Toplam Katkısı(%) Ara Sınav 1 30 Proje 1 30 Toplam(%) 60 Yıl İçinin Başarıya Oranı(%) 60 Finalin Başarıya Oranı(%) 40 Toplam(%) 100
AKTS İŞ YÜKÜ	Aktivite Sayı Süresi(Saat) İş Yükü Ara Sınav 1 2 2 Kısa Sınavlara hazırlık Sınıf Dışı Ders Çalışma Süresi 14 11 154 Final Sınavına Hazırlık 1 69 69 Ders Saati 14 3 42 Ara Sınava Hazırlık 1 44 44 Laboratuvar Final Sınavı 1 2 2 Ödevler Toplam İş Yükü 313 Toplam İş Yükü / 30 10,43 Dersin AKTS Kredisi 10
DİL	Türkçe
STAJ / UYGULAMA	Yok