BİLGİ TEKNOLOJİLERİ (YL) (TEZLİ) (İNGİLİZCE)
Yüksek Lisans	TYYÇ: 7. Düzey	QF-EHEA: 2. Düzey	EQF-LLL: 7. Düzey

Ders Genel Tanıtım Bilgileri

Ders Kodu:

3024001002

Ders İsmi:

Machine Learning

Ders Yarıyılı:

Bahar

Ders Kredileri:

Teorik	Pratik	Kredi	AKTS
3	0	3	9

Öğretim Dili:

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Uzmanlık Alanı Zorunlu

Dersin Seviyesi:

Yüksek Lisans

TYYÇ:7. Düzey

QF-EHEA:2. Düzey

EQF-LLL:7. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Doç. Dr. Esengül SALTÜRK

Dersi Veren(ler):

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:

Bu, Makine Öğrenmesi alanında lisansüstü düzeyde bir giriş dersidir. Makine Öğrenmesinde birçok kavram ve algoritmaya, teoriye ve pratik çalışmaya geniş bir giriş yapar. Öğreticiyle öğrenme, öğreticisiz öğrenme ve pekiştirmeli öğrenmede temel kavramlar ve seçilen makine öğrenmesi algoritmaları sunulmaktadır.

Dersin İçeriği:

"Makine Öğrenimi" kursu, 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.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Öğrenme Kazanımları

1 - Bilgi
Kuramsal - Olgusal
1) Makine Öğrenimi İlkelerini Anlama: Öğrenciler, denetimli ve denetimsiz öğrenme, derin öğrenme ve pekiştirmeli öğrenme dahil olmak üzere makine öğreniminde kullanılan temel kavramları, teknikleri ve metodolojileri kapsamlı bir şekilde anlayacaklardır.
2 - Beceriler
Bilişsel - Uygulamalı
1) Makine Öğrenimi Algoritmalarını Uygulama Yeteneği: Öğrenciler, gerçek dünya sorunlarını çözmek için makine öğrenimi algoritmaları tasarlayabilecek, uygulayabilecek ve değerlendirebilecektir. Farklı veri kümelerine doğrusal regresyon, karar ağaçları, sinir ağları ve kümeleme gibi çeşitli algoritmalar uygulayacaklar.
2) Veri Analizi ve Ön İşleme Becerileri: Öğrenciler, makine öğrenimi görevleri için veri kümeleri hazırlamak için gerekli olan veri ön işleme, temizleme ve özellik mühendisliği tekniklerinde yeterlilik kazanacaklardır. Çeşitli veri türlerini işleme ve eksik veya gürültülü verileri ele alma becerisini göstereceklerdir.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
Öğrenme Yetkinliği
1) Model Değerlendirme ve Performans Değerlendirmesi: Öğrenciler, uygun değerlendirme metriklerini ve çapraz doğrulama gibi doğrulama tekniklerini kullanarak makine öğrenimi modellerinin performansını nasıl değerlendireceklerini ve karşılaştıracaklarını öğrenecekler. Fazla uydurma ve yetersiz uydurma sorunlarını tanımlayabilecekler ve model seçimi ve hiperparametre ayarı için teknikleri uygulayabilecekler.
Alana Özgü Yetkinlik
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği
1) Makine Öğreniminin Pratik Uygulaması: Öğrenciler, bilgilerini gerçek dünya senaryolarında uygulamak için kurs boyunca uygulamalı projeler ve alıştırmalar üzerinde çalışacaklar. Belirli görevler için uygun makine öğrenimi yaklaşımlarını belirleme ve bulgularını etkili bir şekilde iletme becerilerini geliştirecekler.

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	Makine Öğrenimine Giriş - Makine öğrenimi kavramlarına ve uygulamalarına genel bakış - Makine öğrenimi algoritması türleri: Denetimli, Denetimsiz ve Takviyeli Öğrenim	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
2)	Makine Öğrenimi için Matematiksel Temeller - Doğrusal cebir ve matris işlemleri - Makine öğrenimi için olasılık ve istatistikler	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
3)	Denetimli Öğrenme - Doğrusal Regresyon - Lineer Regresyon ve Düzenleme	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
4)	Denetimli Öğrenme - Lojistik Regresyon ve SVM - Lojistik regresyon - Destek Vektör Makineleri (SVM)	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
5)	Denetimli Öğrenme - Karar Ağaçları ve Topluluk Yöntemleri - Karar ağaçları - Topluluk yöntemleri: Rastgele Ormanlar, Gradyan Arttırma	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
6)	Denetimsiz Öğrenme - Kümeleme - K-Means Kümeleme - Hiyerarşik kümeleme	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
7)	Ara Sınav	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
8)	Denetimsiz Öğrenme - Boyut Azaltma - Temel Bileşen Analizi (PCA) - t-Dağıtılmış Stokastik Komşu Gömme (t-SNE)	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
9)	Derin Öğrenme - Sinir Ağları Temelleri - Sinir ağı temelleri - İleri Besleme ve Geri Yayılım	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
10)	Derin Öğrenme - Evrişimli Sinir Ağları (CNN'ler) - Konvolüsyonel Sinir Ağları (CNN'ler) ve Görüntü Tanıma	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
11)	Derin Öğrenme - Tekrarlayan Sinir Ağları (RNN'ler) ve NLP - Tekrarlayan Sinir Ağları (RNN'ler) - Doğal Dil İşleme (NLP) uygulamaları	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
12)	Model Değerlendirme ve Hiperparametre Ayarı - Çapraz doğrulama ve model seçimi - Hiperparametre optimizasyonu	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
13)	Model Değerlendirme ve Hiperparametre Ayarı - Çapraz doğrulama ve model seçimi - Hiperparametre optimizasyonu	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
14)	Gerçek Dünya Uygulamaları ve Etik Hususlar - Sağlık ve tıbbi uygulamalar - Finansal analiz ve dolandırıcılık tespiti - AI ve veri gizliliğinin etik sonuçları	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
15)	Gerçek Dünya Uygulamaları ve Etik Hususlar - Sağlık ve tıbbi uygulamalar - Finansal analiz ve dolandırıcılık tespiti - AI ve veri gizliliğinin etik sonuçları	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)
16)	Final	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)

Kaynaklar

Ders Notları / Kitaplar:	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Kağıt Kapak – 22 Şubat 2022 İngilizce Baskı Pradeep Tripathi (Eser Sahibi)
Diğer Kaynaklar:	Unraveling the Mathematics of Machine Learning and Deep Learning Algorithms: Demystifying Basic to Advanced Concepts & Mathematics of Machine Learning and Deep Learning Paper Cover – 22 February 2022 English Publishing, Pradeep Tripathi (Author)

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları	1	2	3	4	5
Program Kazanımları
1) Yazılım mühendisliği, veri yönetimi ve bilgisayar güvenliği gibi temel bilgi teknolojilerindeki güncel teknik kavramları ve uygulamaları kullanma becerisi.
2) Kullanıcı ihtiyaçlarının belirlenmesi, analiz edilmesi ve bilgisayar tabanlı sistemlerin seçiminde, değerlendirilmesinde ve yönetiminde kullanımının anlaşılması.
3) Veri yapılarını kullanma ve algoritma geliştirme becerisi.
4) Karmaşık büyük veri sistemlerini analiz etme ve yorumlama becerisi.
5) Makine öğrenmesindeki kavram ve algoritmaların yorumlanması ve uygulanması becerisi.
6) Veri analizi alanındaki derin öğrenmenin Matematik temellerinin anlaşılması ve teoriyi uygulama becerisi.
7) Karmaşık veri yapılarını çözme, derin öğrenme modelleri geliştirme ve uygulama becerisi ve bu konularla ilgili yapay zeka odaklı araştırmaları yorumlama becerisi.
8) Görüntü analizi, doğal dil işleme ve öneri sistemlerindeki sorunları çözmek için derin öğrenme tekniklerini uygulama ve gerçek dünya veri kümeleri ve projelerini yorumlama becerisi.
9) Dijital sinyal işlemenin temel prensiplerini ve matematiksel altyapısını pratik uygulamalara aktarma becerisi.
10) İnternet aracılığıyla kullanılan araç ve teknolojiler ile sunucu kodlama dilleri ve araçları için kullanılan farklı teknolojiler hakkında bilgi kazanılması.
11) Tek hücreli organizmalarda genetik bilgi akışı ve çok hücreli organizmalarda genlerin nasıl işlediğinin anlaşılması ve biyoteknoloji alanındaki uygulamaları yorumlama ve uygulama becerisi.
12) Etik değerlerin bilincinde olunması ve bu değerler çerçevesinde araştırma ve uygulama yapılması gerekliliğinin anlaşılması.

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)	Yazılım mühendisliği, veri yönetimi ve bilgisayar güvenliği gibi temel bilgi teknolojilerindeki güncel teknik kavramları ve uygulamaları kullanma becerisi.
2)	Kullanıcı ihtiyaçlarının belirlenmesi, analiz edilmesi ve bilgisayar tabanlı sistemlerin seçiminde, değerlendirilmesinde ve yönetiminde kullanımının anlaşılması.
3)	Veri yapılarını kullanma ve algoritma geliştirme becerisi.
4)	Karmaşık büyük veri sistemlerini analiz etme ve yorumlama becerisi.
5)	Makine öğrenmesindeki kavram ve algoritmaların yorumlanması ve uygulanması becerisi.
6)	Veri analizi alanındaki derin öğrenmenin Matematik temellerinin anlaşılması ve teoriyi uygulama becerisi.
7)	Karmaşık veri yapılarını çözme, derin öğrenme modelleri geliştirme ve uygulama becerisi ve bu konularla ilgili yapay zeka odaklı araştırmaları yorumlama becerisi.
8)	Görüntü analizi, doğal dil işleme ve öneri sistemlerindeki sorunları çözmek için derin öğrenme tekniklerini uygulama ve gerçek dünya veri kümeleri ve projelerini yorumlama becerisi.
9)	Dijital sinyal işlemenin temel prensiplerini ve matematiksel altyapısını pratik uygulamalara aktarma becerisi.
10)	İnternet aracılığıyla kullanılan araç ve teknolojiler ile sunucu kodlama dilleri ve araçları için kullanılan farklı teknolojiler hakkında bilgi kazanılması.
11)	Tek hücreli organizmalarda genetik bilgi akışı ve çok hücreli organizmalarda genlerin nasıl işlediğinin anlaşılması ve biyoteknoloji alanındaki uygulamaları yorumlama ve uygulama becerisi.
12)	Etik değerlerin bilincinde olunması ve bu değerler çerçevesinde araştırma ve uygulama yapılması gerekliliğinin anlaşılması.

Öğrenme Etkinliği ve Öğretme Yöntemleri

Beyin fırtınası /Altı şapka
Ders
Ödev
Problem Çözme
Proje Hazırlama
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
Sınıf Dışı Ders Çalışması	14	8	112
Proje	1	70	70
Final	1	40	40
Toplam İş Yükü			264