| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Olasılıksal Makine Öğrenmesi | VBA 303 | 5 | 3 + 0 | 3 | 4 |
| Ön Koşul Dersleri | ||
| Önerilen Seçmeli Dersler | ||
| Dersin Dili | Türkçe | |
| Dersin Seviyesi | Lisans | |
| Dersin Türü | Zorunlu | |
| Dersin Koordinatörü | Arş.Gör. YASİN ALTUNBAŞAK | |
| Dersi Verenler | ||
| Dersin Yardımcıları | ||
| Dersin Kategorisi | Diğer | |
| Dersin Amacı | ||
| Dersin İçeriği |
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Mühendislikle ilgili bir problemin denetimli veya denetimsiz makine öğrenimi sorunu olarak formüle edilip edilemeyeceğini tartışıp belirleyebilir | ||
| 2 | Olasılığa dayalı ve "geleneksel" makine öğrenimi yöntemleri arasındaki benzerlikleri ve farklılıkları (hem pratik hem de teorik) bilir. | ||
| 3 | Olasılıksal Makine öğrenmesi algoritmaları ile model ve yöntemleri analiz eder, uygular, gerçek dünya problemlerinin çözümlerinde kullanır. | ||
| 4 | Doğrusal olmayan boyutluluğun azaltılmasına yönelik yöntemleri analiz eder, uygular ve kullanır. | ||
| 5 | Makine öğrenmesinde kullanması gereken araçları ve dilleri bilir ve kullanır. |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Giriş ve Temel İstatistiksel Kavramlar Makine öğrenmesi nedir? Olasılık ve istatistik temelleri | |
| 2 | Olasılık Teorisi ve Temel olasılık kavramları Bernoulli, Binom, Normal, Poisson Dağılımları Koşullu olasılık ve Bayes teoremi | |
| 3 | Lineer Cebir ve Matrisler Temel lineer cebir kavramları | |
| 4 | Matris işlemleri ve operasyonlar Lineer denklem sistemleri | |
| 5 | Lineer Regresyon ve Olasılık Tabanlı Yaklaşımlar Lineer regresyon modeli ve olasılık temelli yorumlanması En küçük kareler yöntemi | |
| 6 | Lineer Regresyon Model değerlendirme ve doğruluk ölçütleri Regresyon analizi uygulamaları | |
| 7 | Lojistik Regresyon ve Sınıflandırma Lojistik regresyon modeli ve olasılık temelli sınıflandırma | |
| 8 | Lojistik Regresyonda Belirsizlik hesaplamaları ve sınıflandırma kararlarının güvenilirliği, Sınıflandırma performans metrikleri | |
| 9 | Derin Öğrenme ve Yapay Sinir Ağları Yapay sinir ağı temelleri Derin sinir ağları (DNN) | |
| 10 | Evrişimli sinir ağları (CNN) Devirli(Recurrent) sinir ağları (RNN) Derin öğrenme uygulamaları ve örnekleri | |
| 11 | Temel Makine Öğrenmesi Algoritmaları ve Olasılık Tabanlı Yaklaşımlar Karar ağaçları ve rastgele ormanlar Destek vektör makineleri (SVM) | |
| 12 | K-En Yakın Komşu (KNN) algoritması Temel algoritmaların olasılık temelli yorumları ve seçimi | |
| 13 | Model Değerlendirme ve Hata Analizi Çapraz doğrulama ve model performansı değerlendirme Hata analizi ve hata türleri, Aşırı uyum(overfitting), yetersiz uyum(underfitting) ve model optimizasyonu | |
| 14 | Makine öğrenimi uygulamalarında etik ve sorunlar |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Veri Biliminde matematik konusunda yeterli bilgi birikimine ve bu alandaki kuramsal ve uygulamalı bilgileri, karmaşık veri bilimi problemlerinin çözümünde kullanabilme becerisine sahiptir. | ||||||
| 2 | Bilimsel araştırma yapabilme yeteneği ile elde edilen bilgiyi derinlemesine analiz edebilir ve yorumlayabilir | ||||||
| 3 | Analitik, modelleme ve deneysel araştırmaların tasarlanması ve uygulanması konusunda yetkinliğe; karmaşık veri setlerini analiz etme ve yorumlama yeteneğine sahiptir | ||||||
| 4 | Eksik veya kısıtlı veri setleriyle çalışarak bilgiyi tamamlayabilir ve farklı disiplinlerden gelen bilgileri entegre edebilir | ||||||
| 5 | Veri bilimi ve analitiği problemlerini tanımlama ve çözme becerisi için gerekli programlama becerisine sahiptir | ||||||
| 6 | Çok disiplinli takımlarda liderlik yapabilme, karmaşık problemlere yönelik çözüm stratejileri geliştirebilme, sorumluluk alma ve takım çalışmasına katkı sağlama becerisine sahiptir | ||||||
| 7 | Yenilikçi fikirler ve yöntemler geliştirme kabiliyetine; veri bilimi ve analitiği alanında veri işleme süreçlerinde yeni yaklaşımlar ortaya koyabilme becerisine sahiptir | ||||||
| 8 | Gereksinim duyulan veri ve bilgileri tanımlama, erişme ve değerlendirme, veri yönetimi ve analitiği alanında yetkindir. | ||||||
| 9 | Veri bilimi ve analitiği alanındaki güncel gelişmeleri takip edebilir, öğrenme ve yeni teknolojileri hızlı bir şekilde adapte edebilir | ||||||
| 10 | Yapılan çalışmaların sonuçlarını etkili bir şekilde aktarabilir ve teknik ve karmaşık konuları anlaşılır bir şekilde sunabilir | ||||||
| 11 | Veri bilimi ve analitiği uygulamalarının sosyal ve çevresel etkilerinin farkındadır ve bu bağlamda uyum sağlayabilir | ||||||
| 12 | Veri toplama, analiz etme ve raporlama süreçlerinde toplumsal, bilimsel ve etik değerler hakkında bilgi sahibidir; etik ilkeleri gözetir ve toplumun faydasını ön planda tutar | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Mühendislikle ilgili bir problemin denetimli veya denetimsiz makine öğrenimi sorunu olarak formüle edilip edilemeyeceğini tartışıp belirleyebilir | ||||||||||||
| 2 | Olasılığa dayalı ve "geleneksel" makine öğrenimi yöntemleri arasındaki benzerlikleri ve farklılıkları (hem pratik hem de teorik) bilir. | ||||||||||||
| 3 | Olasılıksal Makine öğrenmesi algoritmaları ile model ve yöntemleri analiz eder, uygular, gerçek dünya problemlerinin çözümlerinde kullanır. | ||||||||||||
| 4 | Doğrusal olmayan boyutluluğun azaltılmasına yönelik yöntemleri analiz eder, uygular ve kullanır. | ||||||||||||
| 5 | Makine öğrenmesinde kullanması gereken araçları ve dilleri bilir ve kullanır. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Kısa Sınav | 5 |
| 1. Ara Sınav | 5 |
| 1. Ödev | 15 |
| 2. Ödev | 15 |
| 2. Ara Sınav | 20 |
| Toplam | 60 |
| 1. Final | 40 |
| Toplam | 40 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|