|
Hafta
|
Konular
|
Ön Hazırlık
|
|
1
|
Makine öğrenmesine giriş, temel kavramlar ve motivasyon
|
K1-Bölüm-1
|
|
2
|
Veri ön işleme ve temel veri dönüşümleri
|
K1-Bölüm-2
|
|
3
|
Regresyon modelleri (doğrusal regresyon, lojistik regresyon)
|
K1-Bölüm-3
|
|
4
|
Sınıflandırma: karar ağaçları, olasılıklı üretici modeller
|
K1-Bölüm-4
|
|
5
|
Model değerlendirme, önyargı-varyans tahlili
|
K1-Bölüm-5
|
|
6
|
Topluluk yöntemleri: artırma, torbalama ve rastgele ormanlar
|
K2-Bölüm-1 & K2-Bölüm-2
|
|
7
|
Boyut azalması: Temel Bileşen Analizi (PCA), T-dağılmış Stokastik Komşu Gömme (t-SNE)
|
K2-Bölüm-3
|
|
8
|
Derin öğrenme ve geri yayılıma giriş
|
K2-Bölüm-4 & K2-Bölüm-5
|
|
9
|
Evrişimli sinir ağları
|
K2-Bölüm-6
|
|
10
|
Kelime düğünler
|
K2-Bölüm-7 & K2-Bölüm-8
|
|
11
|
Dizi-dizi modelleri.
|
K3-Bölüm-1
|
|
12
|
Dikkat mekanizmaları ve bellek ağları
|
K3-Bölüm-2
|
|
13
|
Denetimsiz derin öğrenme ve üretken modeller
|
K3-Bölüm-3
|
|
14
|
Öğrenme aktarımı
|
K3-Bölüm-4
|
|
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.
|
|
Program Yeterlilik Çıktıları |
Katkı Düzeyi |
|
1
|
Elektrik ve Elektronik Mühendisliği alanında bilimsel araştırma yaparak bilgiye ulaşır,
değerlendirir, yorumlar
|
-
|
|
2
|
Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular;
değişik disiplinlere ait bilgileri bütünleştirir
|
5
|
|
3
|
Elektrik ve Elektronik Mühendisliği alanında istenen gereksinimleri karşılayacak biçimde
bir sistemi, parçayı veya süreci tasarlar ve uygular
|
-
|
|
4
|
Elektrik ve Elektronik Mühendisliği problemlerini yorumlar, çözmek için yöntem
geliştirir ve çözümlerde yenilikçi yöntemler uygular
|
4
|
|
5
|
Elektrik ve Elektronik Mühendisliğinde uygulanan güncel teknik ve yöntemler ile
bunların kısıtları hakkında kapsamlı bilgi sahibidir
|
1
|
|
6
|
Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte
karşılaşılan karmaşık durumları çözümler ve yorumlar
|
-
|
|
7
|
Çok disiplinli takımlarda liderlik yapar, karmaşık durumlarda çözüm yaklaşımları
geliştirir ve sorumluluk alır
|
2
|
|
8
|
Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm
etkinliklerde toplumsal, bilimsel, mesleki ve etik değerleri gözetir.
|
-
|
|
9
|
Elektrik ve Elektronik Mühendisliğinin yeni ve gelişmekte olan uygulamalarının farkında
olup, gerektiğinde bunları inceler,öğrenir ve uygular
|
3
|
|
10
|
Çalışmalarını ulusal ve uluslararası ortamlarda yazılı ya da sözlü olarak aktarır
|
-
|