BİLGİ PAKETİ / DERS KATALOĞU
| BİLGİSAYAR MÜHENDİSLİĞİ (YL) (TEZLİ) (İNGİLİZCE) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
Ders Genel Tanıtım Bilgileri
| Ders Kodu: | 3017002040 | ||||||||
| Ders İsmi: | Machine Learning | ||||||||
| Ders Yarıyılı: |
Güz |
||||||||
| Ders Kredileri: |
|
||||||||
| Öğretim Dili: | EN | ||||||||
| Ders Koşulu: | |||||||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||||||
| Dersin Türü: | Department Elective | ||||||||
| Dersin Seviyesi: |
|
||||||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||||||
| Dersin Koordinatörü: | Dr.Öğr.Üyesi Recep DURANAY | ||||||||
| Dersi Veren(ler): |
Prof. Dr. Naim Mahmood Musleh AJLOUNI |
||||||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | This is a graduate-level introductory course in Machine Learning. It makes a broad introduction to many concepts and algorithms, theory ve practical work in Machine Learning. The basic concepts and and the selected machine learning algorithms in supervised learning, unsupervised learning and reinforcement learning are presented. |
| Dersin İçeriği: | Regresyon, Makine Öğreniminin Temel Kavramları ve Lojistik Regresyon, Sınıflandırma ve Model Değerlendirme, Sinir Ağları, Makine Öğreniminin Uygulanması, Destek Vektör Makineleri, Karar Ağaçları, Topluluk Öğrenmesi ve Rastgele Ormanlar, Öğreticisiz Öğrenme: Kümeleme, Anomali Algılama ve Boyutsallık Azaltma, Öneri Sistemleri , Büyük Ölçekli Makine Öğrenimi, Takviyeli Öğrenme |
Öğrenme Kazanımları
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
|||||||||||||||||||||||||||||||||
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Course Overview, Introduction to Machine Learning, Machine Learning Applications | |
| 2) | Regression with One Variable, Regression with Multiple Input Variables, Regularization, Regression Examples | |
| 3) | Basic Concepts of Machine Learning and Regularized Linear Models | |
| 4) | Sınıflandırma ve Lojistik Regresyon, Model Değerlendirmesi | |
| 5) | Sinir Ağları-Temsil | |
| 6) | Sinir Ağları-Eğitim | |
| 7) | Makine Öğrenmesinin Uygulanması ve Büyük Ölçekli Makine Öğrenmesi | |
| 8) | Ara Sınav | |
| 9) | Destek Vektör Makineleri | |
| 10) | Karar Ağaçları, Topluluk Öğrenmesi ve Rastgele Ormanlar | |
| 11) | Denetimsiz Öğrenme-Kümeleme, Anomali Tespiti ve Boyutsallık Azaltma | |
| 12) | Tavsiye Sistemleri | |
| 13) | Takviyeli Öğrenme | |
| 14) | Proje Gösterimi / Ara Sınav II |
Kaynaklar
| Ders Notları / Kitaplar: | No textbook. But the following and similar other books will be used for machine learning practice: Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 2nd Edition, Aurélien Geron Python Jupyter Notebook examples: https://github.com/ageron/handson-ml |
| Diğer Kaynaklar: | No textbook. But the following and similar other books will be used for machine learning practice: Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 2nd Edition, Aurélien Geron Python Jupyter Notebook examples: https://github.com/ageron/handson-ml |
Ders - Program Öğrenme Kazanım İlişkisi
| Ders Öğrenme Kazanımları | 1 |
2 |
|||||||
|---|---|---|---|---|---|---|---|---|---|
| Program Kazanımları | |||||||||
| 1) Bilgisayar Bilimi ve Mühendisliği alanında bilimsel araştırma yaparak geniş ve derin bilgilere ulaşma, değerlendirme, yorumlama ve uygulama becerisi. | |||||||||
| 2) Sınırlı ya da eksik bilgiyi kapatmak ve uygulamak için bilimsel yöntemleri kullanma ve farklı disiplinlerin bilgilerini bütünleştirme kabiliyeti. | |||||||||
| 3) Bilgisayar Bilimi ve Mühendisliği problemlerini kurgulayabilme, problemleri çözmek için yöntemler geliştirebilme ve çözümde yenilikçi yöntemler kullanabilme. | |||||||||
| 4) Yeni ve/veya orijinal fikirler ve algoritmalar geliştirme becerisi; sistem, bileşen veya süreç tasarımında yenilikçi çözümler geliştirmek. | |||||||||
| 5) Bilgisayar Mühendisliğinde uygulanan güncel teknikler ve yöntemler ve bunların kısıtları hakkında geniş bilgi sahibi olma kabiliyeti. | |||||||||
| 6) Analitik modelleme ve deneysel araştırma tasarlama ve uygulama, süreçte karşılaşılan karmaşık durumları çözme ve yorumlama becerisi. | |||||||||
| 7) Bir yabancı dili (İngilizce) en az Avrupa Dil Portföyü seviyesinde sözlü ve yazılı iletişimde kullanabilme kabiliyeti. | |||||||||
| 8) Çok disiplinli ekiplerde liderlik etme, karmaşık durumlara çözüm geliştirme ve sorumluluk alma kabiliyeti. | |||||||||
| 9) Toplumsal, yasal, etik ve ahlaki değerlerin bilincinde olmak ve bu değerler çerçevesinde araştırma ve uygulama çalışmaları yapabilmek. | |||||||||
| 10) Bilgisayar Bilimi ve Mühendisliği alanında yeni ve gelişmekte olan uygulamalar hakkında farkındalık ve bunları inceleme ve gerekirse öğrenme kabiliyeti. | |||||||||
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Bilgisayar Bilimi ve Mühendisliği alanında bilimsel araştırma yaparak geniş ve derin bilgilere ulaşma, değerlendirme, yorumlama ve uygulama becerisi. | |
| 2) | Sınırlı ya da eksik bilgiyi kapatmak ve uygulamak için bilimsel yöntemleri kullanma ve farklı disiplinlerin bilgilerini bütünleştirme kabiliyeti. | |
| 3) | Bilgisayar Bilimi ve Mühendisliği problemlerini kurgulayabilme, problemleri çözmek için yöntemler geliştirebilme ve çözümde yenilikçi yöntemler kullanabilme. | |
| 4) | Yeni ve/veya orijinal fikirler ve algoritmalar geliştirme becerisi; sistem, bileşen veya süreç tasarımında yenilikçi çözümler geliştirmek. | |
| 5) | Bilgisayar Mühendisliğinde uygulanan güncel teknikler ve yöntemler ve bunların kısıtları hakkında geniş bilgi sahibi olma kabiliyeti. | |
| 6) | Analitik modelleme ve deneysel araştırma tasarlama ve uygulama, süreçte karşılaşılan karmaşık durumları çözme ve yorumlama becerisi. | |
| 7) | Bir yabancı dili (İngilizce) en az Avrupa Dil Portföyü seviyesinde sözlü ve yazılı iletişimde kullanabilme kabiliyeti. | |
| 8) | Çok disiplinli ekiplerde liderlik etme, karmaşık durumlara çözüm geliştirme ve sorumluluk alma kabiliyeti. | |
| 9) | Toplumsal, yasal, etik ve ahlaki değerlerin bilincinde olmak ve bu değerler çerçevesinde araştırma ve uygulama çalışmaları yapabilmek. | |
| 10) | Bilgisayar Bilimi ve Mühendisliği alanında yeni ve gelişmekte olan uygulamalar hakkında farkındalık ve bunları inceleme ve gerekirse öğrenme kabiliyeti. |
Öğrenme Etkinliği ve Öğretme Yöntemleri
| Anlatım | |
| Bireysel çalışma ve ödevi | |
| Okuma | |
| Ödev | |
| Problem Çözme | |
| Proje Hazırlama | |
| Rapor Yazma | |
| Soru cevap/ Tartışma |
Ölçme ve Değerlendirme Yöntemleri ve Kriterleri
| Yazılı Sınav (Açık uçlu sorular, çoktan seçmeli, doğru yanlış, eşleştirme, boşluk doldurma, sıralama) | |
| Ödev | |
| Uygulama | |
| Bireysel Proje | |
| Grup Projesi | |
| Sunum |
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 1 | % 20 |
| Projeler | 1 | % 30 |
| Ara Sınavlar | 1 | % 20 |
| Yarıyıl/Yıl Sonu Sınavı | 1 | % 30 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 70 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 30 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Proje | 1 | 50 | 50 |
| Ödevler | 1 | 70 | 70 |
| Ara Sınavlar | 1 | 3 | 3 |
| Final | 1 | 3 | 3 |
| Toplam İş Yükü | 168 | ||