Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
8BLMS417Makine Öğrenmesi3+0+03523.02.2026

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Lisans
Bölümü / Programı Bilgisayar Mühendisliği
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı, öğrencilere makine öğrenmesinin temel kavramlarını, yöntemlerini ve uygulamalarını tanıtmak; veri odaklı problem çözme yaklaşımını kazandırmaktır. Öğrenciler, istatistiksel öğrenme teorisini, gözetimli ve gözetimsiz öğrenme algoritmalarını, model değerlendirme yöntemlerini ve modern makine öğrenmesi uygulamalarını öğrenerek gerçek dünya problemlerine çözüm geliştirme becerisi kazanacaklardır.
Dersin İçeriği Ders kapsamında makine öğrenmesine giriş, temel kavramlar ve terminoloji, doğrusal modeller (regresyon, sınıflandırma), karar ağaçları, kümeleme yöntemleri, boyut indirgeme, model değerlendirme ve optimizasyon teknikleri, yapay sinir ağlarına giriş ve derin öğrenmeye temel oluşturacak yaklaşımlar ele alınacaktır.
Dersin Yöntem ve Teknikleri Konu anlatımı, soru cevap, bilgisayar uygulaması
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Dr. Öğretim Üyesi Başak BULUZ KÖMEÇOĞLU
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer.
Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press.
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O’Reilly.
Ethem Alpaydın, Yapay Öğrenme, Boğaziçi Üniversitesi Yayınları.
Ders Notları Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer.
Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press.
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O’Reilly.
Ethem Alpaydın, Yapay Öğrenme, Boğaziçi Üniversitesi Yayınları.
Ders notları, slaytlar ve örnek kodlar (öğretim üyesi tarafından paylaşılacaktır).

Ders Yapısı
Matematik ve Temel Bilimler %35
Mühendislik Bilimleri %35
Mühendislik Tasarımı %30
Sosyal Bilimler %0
Eğitim Bilimleri %0
Fen Bilimleri %0
Sağlık Bilimleri %0
Alan Bilgisi %0

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

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 35
Ödev 1 % 10
Proje 1 % 25
Yarıyıl Sonu Sınavı 1 % 30
Toplam :
4
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 15 5 75
Sunum/Seminer Hazırlama 1 1 1
Ara Sınavlar 1 2 2
Proje 1 1 1
Yarıyıl Sonu Sınavı 1 2 2
Toplam İş Yükü   AKTS Kredisi : 5 123

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Makine öğrenmesinin temel kavramlarını, türlerini (gözetimli, gözetimsiz, pekiştirmeli) ve uygulama alanlarını açıklayabilecektir.
2 Doğrusal regresyon, lojistik regresyon, karar ağaçları, kümeleme ve boyut indirgeme gibi temel algoritmaları uygulayabilecektir.
3 Öğrenme algoritmalarının performansını uygun metrikler (doğruluk, hata oranı, F1 skoru vb.) ile değerlendirebilecektir.
4 Aşırı öğrenme (overfitting) ve eksik öğrenme (underfitting) problemlerini tanıyıp çözüm stratejileri (regularizasyon, çapraz doğrulama vb.) uygulayabilecektir.
5 Python kütüphaneleri kullanarak veri ön işleme, modelleme ve sonuç analizi yapılabilecektir.
6 Gerçek dünya verilerini kullanarak küçük ölçekli makine öğrenmesi projeleri geliştirilebilecektir.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Makine Öğrenmesine Giriş ve Temel Kavramlar
2 Veri Ön İşleme ve Özellik Mühendisliği
3 Doğrusal Bağıntı (Regresyon)
4 Lojistik Regresyon ve Sınıflandırma
5 Model Değerlendirme
6 Karar Ağaçları ve Topluluk Yöntemleri
7 Destek Vektör Makineleri (SVM)
8 Ara Sınav
9 Kümeleme Yöntemleri
10 Boyut İndirgeme
11 Yapay Sinir Ağlarına Giriş
12 Eğitim Süreci
13 Düzenlileştirme ve Genel Problemler
14 Derin Öğrenmeye Giriş
15 Derin Öğrenme Uygulamaları

 
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11
Ö1 1
Ö2 5
Ö3 3 5
Ö4 3 5
Ö5 3 3 5
Ö6 3 5 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=243266&curProgID=5607&lang=tr