| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Makine Öğrenmesi | YBS 502 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | Temel İstatistik Veri Tabanı Yönetim Sistemleri |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi ALPASLAN KİBAR |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Makine Öğrenmesi hakkında temel seviyede bilgi sahibi olmak |
| Dersin İçeriği | Makine Öğrenmesinde kullanılan temel teknikler |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Yapay Zeka teknolojileri hakkında fikir sahibi olur | Anlatım, Soru-Cevap, | |
| 2 | Makine Öğrenmesi teknolojileri hakkında fikir sahibi olur | Soru-Cevap, Anlatım, | |
| 3 | Makine Öğrenmesinde kullanılan yöntemler hakkında fikir sahibi olur | Soru-Cevap, Anlatım, Rol Oynama, Deney ve Laboratuvar, Beyin Fırtınası, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Tanışma, ders içeriklerinin tartışılması | |
| 2 | Yapay Zeka | |
| 3 | Makine Öğrenmesi | |
| 4 | Veri Kaynakları, Veri Ön İşleme | |
| 5 | Excel ile Model Oluşturma,Temel SQL komutları | |
| 6 | Birliktelik Analizi | |
| 7 | Doğrusal Regresyon | |
| 8 | Karar Ağaçları | |
| 9 | ARA SINAV | |
| 10 | Yapay Sinir Ağları | |
| 11 | Diğer Sınıflandırma Yöntemleri, Doğal Dil İşleme | |
| 12 | Kümeleme Algoritmaları, Fuzy Kümeleme | |
| 13 | Takviyeli Öğrenme | |
| 14 | Triple Store'ler |
| Kaynaklar | |
|---|---|
| Ders Notu | Dönem başladığında 14 haftalık ders notu sisteme girilecektir. |
| Ders Kaynakları | R ile Betimsel İstatistik (Necmi GÜRSAKAL) R ile Veri ANALİZİ (Suat ATAN/Hakan EMEKCİ) MAKİNE ÖĞRENMESİ (Necmi GÜRSAKAL) MIT Machine Learning OpenCourseWare (https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/lecture-notes/) |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 2 | Disiplinindeki kavramlara, uygulamalara ve teorilere hâkim olur ve bunları iş yaşamındaki sorunların çözümünde ya da yürüttüğü bilimsel çalışmalarda kullanabilir. | X | |||||
| 3 | Evrensel bilimsel etik uygulamalara riayet eder ve intihalden kaçınır. | X | |||||
| 4 | Faaliyetlerinin topluma ve çevreye olan muhtemel etkilerini göz önünde bulundurur, bu olumsuz etkileri en aza indirgemek ve topluma fayda sağlamak için sorumluluk alır. | X | |||||
| 5 | İşletme sorunlarını çözmede uygun analitik teknikleri kullanabilir. | X | |||||
| 6 | Bilimsel araştırma ve proje bulgularını sözlü sunum ve yazılı rapor şeklinde etkili ve ikna edici bir şekilde sunabilir. | X | |||||
| 7 | Girişimsel süreçleri analitik ve eleştirel bakış açısı ile inceler ve girişimci bilişe etki eden faktörleri anlar. | X | |||||
| 7 | Derslerinde ve araştırmalarında ihtiyaç duyacağı teknolojileri tespit etme ve etkili bir şekilde kullanma becerisine sahip olur. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 7 |
|---|---|---|---|---|---|---|---|---|
| 1 | Yapay Zeka teknolojileri hakkında fikir sahibi olur | |||||||
| 2 | Makine Öğrenmesi teknolojileri hakkında fikir sahibi olur | |||||||
| 3 | Makine Öğrenmesinde kullanılan yöntemler hakkında fikir sahibi olur |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ödev | 20 |
| 2. Ödev | 20 |
| 3. Ödev | 60 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 50 |
| 1. Final | 50 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ödev | 3 | 10 | 30 |
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Ara Sınav | 1 | 10 | 10 |
| Final | 1 | 20 | 20 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 2 | 32 |
| Toplam İş Yükü | 140 | ||
| Toplam İş Yükü / 25 (Saat) | 5,6 | ||
| Dersin AKTS Kredisi | 6 | ||