Bu dersin sonunda öğrenciler; 1) Makina öğrenme alanındaki temel metodlara ilişkin bilgi sahibi olacaktır. 2) Makina öğrenme yöntemlerini kullanarak pratik problemleri modelleme ve çözme becerisi kazanacaktır.
DERSİN VERİLİŞ BİÇİMİ
Yüz Yüze
DERSİN ÖNKOŞULLARI
Yok
ÖNERİLEN DERSLER
DERS TANIMI
Temel makine öğrenmesi uygulamalarını kullanılmasını ve çıkarımların yapılmasını amaçlayan bir derstir.
DERS İÇERİĞİ
HAFTA
KONULAR
1. Hafta
Temel kavramalar, Makine Öğrenmesine Giriş
2. Hafta
Makine Öğrenmesi Türleri ve Performans Değerlendirme
En İyi Modelin Seçimi (K-katlı çapraz doğrulama-K-Folds Cross Validation) ve Hiper Parametre Seçimi
14. Hafta
AdaBoost (Adaptive Boosting), Gradient Boosting ve XGBoost (Extreme Gradient Boosting) Yöntemleri ve Proje sunumu
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR
T. Mitchell, "Machine Learning", McGraw-Hill, 1997. C. M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2007. N. Gürsakal, Makine Öğrenmesi, Dora Yayın, 2018. ME. Balaban, E. Kartal, Veri Madenciliği ve Makine Öğrenmesi, Çağlayan Yayıncılık, 2018. M. Kubat, Introduction to Machine Learning, Springer, 2017.
ÖĞRETİM YÖNTEM VE TEKNİKLERİ
Anlatım,Eğitim-Uygulama
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
3
42
Final Sınavına Hazırlık
1
25
25
Ders Saati
14
3
42
Ara Sınava Hazırlık
1
25
25
Laboratuvar
Final Sınavı
1
2
2
Ödevler
Proje
1
12
12
Toplam İş Yükü
150
Toplam İş Yükü / 30
5
Dersin AKTS Kredisi
5
DİL
Türkçe
STAJ / UYGULAMA
Yok
PROGRAM YETERLİLİKLERİ (P) / DERSİN ÖĞRENME KAZANIMLARI (Ö) MATRİSİ