|
Ön Koşul
|
-
|
|
Ders Dili
|
Türkçe
|
|
Dersin Sorumlusu
|
Prof. Dr. Halil Tanyer Eyyuboğlu
|
|
Dersi Verenler
|
-
|
|
Ders Yardımcıları
|
-
|
|
Kaynaklar
|
K1-Ethem. A. (2014). Introduction to Machine Learning (1st Edition), MIT Press, USA.
K2-Goodfellow. A. & Yoshua. B, Aaron & Courville. G. (2017) Deep Learning (1st Edition), MIT Press, USA.
K3- Laurene. F. (1993). Fundamentals of Neural Networks : Architectures, Algorithms And Applications (2nd Edition), Prentice Hall, USA.
|
|
Yardımcı Kitap
|
-
|
|
Dersin Amacı
|
Veri madenciliğinin altında yatan temel kavramları anlama.
Veri madenciliği araçlarında yaygın olarak kullanılan algoritmaları anlama.
Veri madenciliği araçlarını gerçek dünya problemlerine uygulama.
|
|
Dersin İçeriği
|
Makine öğrenmesine giriş, temel kavramlar ve motivasyon.
Veri ön işleme ve temel veri dönüşümleri.
Regresyon modelleri (doğrusal regresyon, lojistik regresyon).
Sınıflandırma: karar ağaçları, olasılıklı üretici modeller
Model değerlendirme, önyargı-varyans tahlili.
Topluluk yöntemleri: artırma, torbalama ve rastgele ormanlar.
Boyut azalması: Temel Bileşen Analizi (PCA), T-dağılmış Stokastik Komşu Gömme (t-SNE).
Derin öğrenme ve geri yayılıma giriş.
Evrişimli sinir ağları.
Kelime düğünler.
Dizi-dizi modelleri.
Dikkat mekanizmaları ve bellek ağları.
Denetimsiz derin öğrenme ve üretken modeller.
Öğrenme aktarımı.
|