| Dersin Amacı: |
Makine Öğrenimi (ML) alanında kapsamlı ve erişilebilir bir bilgi sağlar. Makine Öğrenimi, sistemlerin verilerden öğrenmesini ve kalıplara ve eğilimlere dayalı tahminler veya kararlar almasını sağlayan bir yapay zeka dalıdır. Bu kurs, öğrencileri makine öğrenimi kavramları, teknikleri ve uygulamaları hakkında sağlam bir anlayışla donatmak için tasarlanmıştır ve bu da onu veri odaklı problem çözme ve yapay zeka uygulamalarıyla ilgilenen herkes için ideal bir kurs haline getirir. Kurs, Lineer regresyon, lojistik regresyon, karar ağaçları ve k-en yakın komşular (KNN) gibi denetimli öğrenme algoritmaları dahil olmak üzere Makine Öğrenimi, Denetimli Öğrenmenin temellerini kapsar. Etiketli veriler üzerinde modeller geliştirmeyi ve yeni veriler üzerinde tahminler yapmayı öğreneceklerdir. Denetimsiz Öğrenme. K-Ortalamalar ve hiyerarşik kümeleme gibi kümeleme algoritmalarının yanı sıra Temel Bileşen Analizi (PCA) gibi boyutsallık azaltma yöntemlerini içeren denetimsiz öğrenme teknikleri. Model Değerlendirme ve Doğrulama bu bölümde öğrenciler, doğruluk, kesinlik, hatırlama ve F1 puanı gibi metrikler dahil olmak üzere makine öğrenimi modellerini değerlendirmeye ilişkin içgörüler kazanacaklar. Ayrıca model performansını değerlendirmek için çapraz doğrulama gibi teknikleri keşfedecekler. Öğrencileri derin öğrenme ve sinir ağları ile tanıştırır. Yapay sinir ağlarının yapısını keşfedecekler ve aktivasyon fonksiyonları, optimizasyon ve geri yayılım hakkında bilgi edinecekler. Kurs, Gerçek Dünya Uygulamalarını içerecektir. Doğal dil işleme, bilgisayarla görme ve tavsiye sistemleri gibi alanlarda pratik makine öğrenimi uygulamaları ele alınacaktır. Öğrenciler, makine öğreniminin çeşitli sektörleri nasıl şekillendirdiğini ve yenilikleri nasıl yönlendirdiğini anlayacaktır. |
| 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 |
| Hafta |
Konu |
Ön Hazırlık |
| 1) |
Makine Öğrenimine Giriş
- Makine öğrenimi kavramlarına ve uygulamalarına genel bakış
- Makine öğrenimi algoritması türleri: Denetimli, Denetimsiz ve Takviyeli Öğrenim |
|
| 2) |
Makine Öğrenimi için Matematiksel Temeller
- Doğrusal cebir ve matris işlemleri
- Makine öğrenimi için olasılık ve istatistikler |
|
| 3) |
Denetimli Öğrenme - Doğrusal Regresyon
- Lineer Regresyon ve Düzenleme |
|
| 4) |
Denetimli Öğrenme - Lojistik Regresyon ve SVM
- Lojistik regresyon
- Destek Vektör Makineleri (SVM) |
|
| 5) |
Denetimli Öğrenme - Karar Ağaçları ve Topluluk Yöntemleri
- Karar ağaçları
- Topluluk yöntemleri: Rastgele Ormanlar, Gradyan Arttırma |
|
| 6) |
Denetimsiz Öğrenme - Kümeleme
- K-Means Kümeleme
- Hiyerarşik kümeleme |
|
| 7) |
Denetimsiz Öğrenme - Boyut Azaltma
- Temel Bileşen Analizi (PCA)
- t-Dağıtılmış Stokastik Komşu Gömme (t-SNE) |
|
| 8) |
Ara Sınav
|
|
| 9) |
Derin Öğrenme - Sinir Ağları Temelleri
- Sinir ağı temelleri
- İleri Besleme ve Geri Yayılım |
|
| 10) |
Derin Öğrenme - Evrişimli Sinir Ağları (CNN'ler)
- Konvolüsyonel Sinir Ağları (CNN'ler) ve Görüntü Tanıma |
|
| 11) |
Derin Öğrenme - Tekrarlayan Sinir Ağları (RNN'ler) ve NLP
- Tekrarlayan Sinir Ağları (RNN'ler)
- Doğal Dil İşleme (NLP) uygulamaları |
|
| 12) |
Tavsiye Sistemleri
Model Değerlendirme ve Hiperparametre Ayarı
- Çapraz doğrulama ve model seçimi
- Hiperparametre optimizasyonu |
|
| 13) |
Gerçek Dünya Uygulamaları ve Etik Hususlar
- Sağlık ve tıbbi uygulamalar
- Finansal analiz ve dolandırıcılık tespiti
- AI ve veri gizliliğinin etik sonuçları |
|
| 14) |
Final |
|
| |
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. |
4 |
| 2) |
Sınırlı ya da eksik bilgiyi kapatmak ve uygulamak için bilimsel yöntemleri kullanma ve farklı disiplinlerin bilgilerini bütünleştirme kabiliyeti. |
4 |
| 3) |
Bilgisayar Bilimi ve Mühendisliği problemlerini kurgulayabilme, problemleri çözmek için yöntemler geliştirebilme ve çözümde yenilikçi yöntemler kullanabilme. |
4 |
| 4) |
Yeni ve/veya orijinal fikirler ve algoritmalar geliştirme becerisi; sistem, bileşen veya süreç tasarımında yenilikçi çözümler geliştirmek. |
4 |
| 5) |
Bilgisayar Mühendisliğinde uygulanan güncel teknikler ve yöntemler ve bunların kısıtları hakkında geniş bilgi sahibi olma kabiliyeti. |
3 |
| 6) |
Analitik modelleme ve deneysel araştırma tasarlama ve uygulama, süreçte karşılaşılan karmaşık durumları çözme ve yorumlama becerisi. |
2 |
| 7) |
Bir yabancı dili (İngilizce) en az Avrupa Dil Portföyü seviyesinde sözlü ve yazılı iletişimde kullanabilme kabiliyeti. |
3 |
| 8) |
Çok disiplinli ekiplerde liderlik etme, karmaşık durumlara çözüm geliştirme ve sorumluluk alma kabiliyeti. |
4 |
| 9) |
Toplumsal, yasal, etik ve ahlaki değerlerin bilincinde olmak ve bu değerler çerçevesinde araştırma ve uygulama çalışmaları yapabilmek. |
3 |
| 10) |
Bilgisayar Bilimi ve Mühendisliği alanında yeni ve gelişmekte olan uygulamalar hakkında farkındalık ve bunları inceleme ve gerekirse öğrenme kabiliyeti. |
5 |
BİLGİ PAKETİ / DERS KATALOĞU
