DERSİN TÜRÜ	Seçmeli
DERSİN DÜZEYİ	Tezli Yüksek Lisans
DERSİN YILI	-
YARIYIL	-
AKTS	10
ÖĞRETİM ELEMAN(LAR)I	Doktor Öğretim Üyesi Çağatay Berke Erdaş
DERSİN ÖĞRENME KAZANIMLARI	Bu dersin sonunda öğrenciler; 1) Örüntü tanımanın 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	ÖT 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 Örüntü tanımaya giriş 2. Hafta Veri ve öznitelik temelleri 3. Hafta Veri önişleme ve normalizasyon 4. Hafta Öznitelik çıkarımı 5. Hafta Öznitelik seçimi, örnek bölütleme 6. Hafta Kümeleme temelleri 7. Hafta Sınıflandırma temelleri 8. Hafta Ara Sınav 9. Hafta Regresyon temelleri 10. Hafta Performans değerlendirme ölçütleri 11. Hafta Örüntü tanımada güncel konular - I 12. Hafta Örüntü tanımada güncel konular - II 13. Hafta Sunumlar 14. Hafta Sunumlar
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR	1. 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 2 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