Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTS
-1YBS314Makine Öğrenmesi3+0+036

Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Lisans
Bölümü / Programı Yönetim Bilişim Sistemleri
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı, öğrencilere makine öğrenme kavramını ve farklı öğrenme metotlarını öğretmektir. Bu dersin sonucunda, öğrenci gerçek hayattaki bir probleme en uygun hangi makine öğrenme metodunu uygulayacağını ve bu metodun hata ve karmaşıklık açısından nasıl analiz edeceğini öğrenecektir.
Dersin İçeriği Makine öğrenmesine giriş, örneklemeli öğrenme, çok değişkenli modeller ve regresyon, model derecesi ve genelleme özellikleri, k-means kümeleme algoritması, karar ağaçları, Bayes karar teorisi, yapay sinir ağları, destek vektör makineleri, boyut indirgeme ve temel bileşen analizi.
Ayrıca, bu ders kısmen Proje Tabanlı Öğrenmeyi (PBL) takip edecektir. Her öğrenci farklı birer konuda projeler yapacaktır. Öğrencilere bir proje listesinden projeler atanacaktır. Projeler tek başına yapılacaktır.
Dersin Yöntem ve Teknikleri UYGULAMA
Ön Koşulları Yok
Dersin Koordinatörü Dr. Öğretim Üyesi Halime SUVAY EKER
Dersi Verenler Dr. Öğretim Üyesi HALİME SUVAY EKER
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar "Introduction to Machine Learning", Ethem Alpaydin , MIT Press "Understanding Machine Learning:From Theory to Algorithms", Shai Shalev-Shwartz, Shai Ben-David, Cambridge University Press "Yapay Öğrenme", Ethem Alpaydın, Boğaziçi Üniversitesi Yayınevi "Introduction to Machine Learning", Alex Smola and S.V.N. Vishwanathan, Cambridge University Press "Machine Learning ", Tom M. Mitchell, McGraw-Hill
"Introduction to Machine Learning", Ethem Alpaydin , MIT Press "Understanding Machine Learning:From Theory to Algorithms", Shai Shalev-Shwartz, Shai Ben-David, Cambridge University Press "Yapay Öğrenme", Ethem Alpaydın, Boğaziçi Üniversitesi Yayınevi "Introduction to Machine Learning", Alex Smola and S.V.N. Vishwanathan, Cambridge University Press "Machine Learning ", Tom M. Mitchell, McGraw-Hill
"Introduction to Machine Learning", Ethem Alpaydin , MIT Press "Understanding Machine Learning:From Theory to Algorithms", Shai Shalev-Shwartz, Shai Ben-David, Cambridge University Press "Yapay Öğrenme", Ethem Alpaydın, Boğaziçi Üniversitesi Yayınevi "Introduction to Machine Learning", Alex Smola and S.V.N. Vishwanathan, Cambridge University Press "Machine Learning ", Tom M. Mitchell, McGraw-Hill

Ders Yapısı
Matematik ve Temel Bilimler %15
Mühendislik Tasarımı %65
Sosyal Bilimler %30

Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 40
Proje 1 % 15
Yarıyıl Sonu Sınavı 1 % 45
Toplam :
3
% 100

 
AKTS Hesaplama İçeriği
Etkinlik Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 3 42
Ara Sınavlar 1 20 20
Proje 1 20 20
Yarıyıl Sonu Sınavı 1 30 30
Toplam İş Yükü   AKTS Kredisi : 6 154

Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Öğrenciler, veri, bilgi ve veri tabanı, makine öğrenmesi algoritması kavramlarını açıklayabilecek
2 Öğrenciler öğrendikleri makine öğrenmesi karar ağacı yöntemini uygulayabilecek
3 Öğrenciler öğrendikleri makine öğrenmesi naive bayes yöntemini uygulayabilecek
4 Öğrenciler öğrendikleri makine öğrenmesi K-Ortalamalar yöntemini uygulayabilecek
5 Öğrenciler öğrendikleri makine öğrenmesi Apriori algoritmasını uygulayabilecek
6 Öğrenciler elde ettikleri analiz sonuçlarından çıkarımlar yaparak ilgili alandaki ihtiyaçlara cevap verebileceklerdir.


Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Syllabusın tartışılması, veri, enformasyon ve bilgi kavramları
2 Veri ambarı, veri modelleri, OLTP ve OLAP Ödevlerin Belirlenmesi
3 Veri analizi süreci: veri seçimi ve veri ön işleme
4 Veri analizi süreci: veri birleştirme veri indirgeme
5 Ödev Sunumu
6 Makine Öğrenimi Algoritmaları : Sınıflandırma (Karar Ağaçları)
7 Makine öğrenimi algoritmaları: sınıflandırma (Naive Bayes) Projelerin Belirlenmesi
8 Çoklu Regresyon Analizi
9 Makine Öğrenimi Algoritmaları : Kümeleme (K-Means)
10 Makine Öğrenimi Algoritmaları : Kümeleme (K-Means)
11 Makine Öğrenmesi Algoritmaları: Birliktelik-İlişki Kuralları
12 Makine Öğrenmesi Algoritmaları: Birliktelik-İlişki Kuralları (Sepet Analizi)
13 Makine Öğrenimi Algoritmaları : Lojistik Regresyon
14 Projelerin Teslimi


Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8
Tüm 4 5 4 1 3 2 4 1
Ö1 5 3 2 1 2 1 2 1
Ö2 4 5 5 1 3 1 4 1
Ö3 4 5 5 1 3 1 4 1
Ö4 4 5 5 1 3 1 4 1
Ö5 4 5 5 1 3 1 4 1
Ö6 2 3 1 1 4 4 3 2

Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek


https://obs.gedik.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=164007&curProgID=5702&lang=tr