Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| UYGULAMALI MAKİNE ÖĞRENMESİ | - | Bahar Dönemi | 3+0 | 3 | 9 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersi Verenler | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersin Yardımcıları | ÖĞR. GÖR. NADA MISK |
| Dersin Amacı | Bu dersin amacı, makine öğrenmesi algoritmalarını, yüksek lisans düzeyinde öğrenciye aktarmak ve python dili ve kütüphaneleri kullanarak uygulama yaptırmaktır. |
| Dersin İçeriği | Bu ders; Genel Kavramlar, Model Değerlendirme, Jackknife, Interpolasyon, Python'a Giriş,Python: Numpy, Pandas, matplotlib, pyplot, Scipy yükleme, Interpolasyon örneğinin farklı şekilde çözümü,Düzgünleştirme, Normalizasyon, PCA,Veri Dönüşümü/ Görsel Dönüşüm, 3-4-5 Kuralı, Denetimsiz Öğrenme Algoritmalarına Giriş, Python Uygulamaları,Karar Ağaçları, LIFT hesabı, ID3, C4.5(Entropy // GAIN), SPRINT (GINI),Karar Ağaçları Kodlama (Python),Regresyon, Doğrusal Regresyon, Çoklu Regresyon, Lojistik Regresyon, Kodlama (Python),İkili Karar Ağaçları Algoritmaları (CART ve CHAID), Ağaç Jeneratör (Kodlama),K- En Yakın Komşu Algoritması – KNN, En Küçük Mesafe Sınıflandırıcısı, Kolektif (Ensemble) öğrenme kavramı ve Rastgele Ormanlar, Kodlama (Python,Yapay Sinir Ağları, Keras ile kodlama.,Denetimsiz Öğrenme, Kümeleme, SLINK, Chameleon algoritması ,Kümeleme Analizi Ve Denetimsiz Öğrenme Algoritmaları, Hiyerarşik Kümeleme- CLUCDUH, Bölümleme Yöntemler (PAM), Yoğunluğa Dayalı Algoritmalar,Destek Vektör makineleri, Öğrenmenin Sınanması, Performans Ölçümü ,Bulanık FCM (Fuzzy C-Means) Algoritması ; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Makine Öğrenmesi Kavramını açıklar. | 2 | A, E, F |
| 1.1. Makine Öğrenmesini tanımlar. | ||
| 1.2. Makine öğrenmesi türlerini listeler | ||
| 1.3. Denetimli, denetimsiz ve pekiştirmeli öğrenmeyi karşılaştırır. | ||
| 2. Denetimli öğrenme algoritmalarını uygular. | 2 | A, E, F |
| 2.1 C4.5, ID3, CART ve CHAID algoritmaları adımlarını listeler | ||
| 2.2 Karar ağaçları Python ile uygular | ||
| 2.3 Regresyon, Doğrusal Regresyon, Çoklu Regresyon ve Lojistik Regresyon Python ile uygular | ||
| 2.4 K- En Yakın Komşu algoritmasını uygular | ||
| 2.5 Kolektif (Ensemble) öğrenme kavramını tanımlar ve Rastgele Ormanları uygular | ||
| 2.6 Keras ile Yapay Sinir Ağlarını uygular | ||
| 2.7 Destek Vektör makineleri algoritmasını tanımlar | ||
| 3. Denetimsiz öğrenme algoritmalarını uygular. | 2 | A, E, F |
| 3.1 SLINK algoritmasının adımlarını listeler | ||
| 3.2 K-Ortamala (K-Mean) algoritmasının adımlarını listeler | ||
| 3.3 CHAMELEON algoritması adımlarını listeler | ||
| 3.4 CLUCDUH algoritması adımlarını listeler | ||
| 3.5 Hiyerarşik Kümeleme, ölümleme Yöntemler (PAM) ve Yoğunluğa Dayalı Algoritmalarını tanımlar | ||
| 3.6 Bulanık FCM (Fuzzy C-Means) Algoritmasını tanımlar ve uygular | ||
| 4. Makine öğrenmesi algoritmalarının performansı değerlendirir. | 2 | A, E, F |
| 4.1 Sınıflandırma algoritmalarının performansını ölçer | ||
| 4.2 Kümeleme algoritmalarının performansını ölçer |
| Öğretim Yöntemleri: | 2: Proje Temelli Öğrenme Modeli |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Genel Kavramlar, Model Değerlendirme, Jackknife, Interpolasyon, Python'a Giriş | |
| 2 | Python: Numpy, Pandas, matplotlib, pyplot, Scipy yükleme, Interpolasyon örneğinin farklı şekilde çözümü | İlgili Video İzlenmeli |
| 3 | Düzgünleştirme, Normalizasyon, PCA | İlgili video izlenmeli |
| 4 | Veri Dönüşümü/ Görsel Dönüşüm, 3-4-5 Kuralı, Denetimsiz Öğrenme Algoritmalarına Giriş, Python Uygulamaları | İlgili Video İzlenmeli |
| 5 | Karar Ağaçları, LIFT hesabı, ID3, C4.5(Entropy // GAIN), SPRINT (GINI) | İlgili video izlenmeli |
| 6 | Karar Ağaçları Kodlama (Python) | İlgili video izlenmeli |
| 7 | Regresyon, Doğrusal Regresyon, Çoklu Regresyon, Lojistik Regresyon, Kodlama (Python) | İlgili video izlenmeli |
| 8 | İkili Karar Ağaçları Algoritmaları (CART ve CHAID), Ağaç Jeneratör (Kodlama) | İlgili video izlenmeli |
| 9 | K- En Yakın Komşu Algoritması – KNN, En Küçük Mesafe Sınıflandırıcısı, Kolektif (Ensemble) öğrenme kavramı ve Rastgele Ormanlar, Kodlama (Python | İlgili video izlenmeli |
| 10 | Yapay Sinir Ağları, Keras ile kodlama. | İlgili video izlenmeli |
| 11 | Denetimsiz Öğrenme, Kümeleme, SLINK, Chameleon algoritması | İlgili video izlenmeli |
| 12 | Kümeleme Analizi Ve Denetimsiz Öğrenme Algoritmaları, Hiyerarşik Kümeleme- CLUCDUH, Bölümleme Yöntemler (PAM), Yoğunluğa Dayalı Algoritmalar | İlgili video izlenmeli |
| 13 | Destek Vektör makineleri, Öğrenmenin Sınanması, Performans Ölçümü | İlgili video izlenmeli |
| 14 | Bulanık FCM (Fuzzy C-Means) Algoritması | İlgili video izlenmeli |
| Kaynak |
| Hands–On ML With Scikit–Learn, Keras and TensorFlow – Aurélien Géron |
| 1. Deep Learning for Coders with fastai and PyTorch – Jeremy Howard & Sylvain Gugger 2. Approaching (Almost) Any Machine Learning Problem – Abhishek Thakur. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Ders Saati | 14 | 3 | 42 | |||
| Rehberli Problem Çözme | 3 | 3 | 9 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 7 | 10 | 70 | |||
| Okul Dışı Diğer Faaliyetler | 7 | 2 | 14 | |||
| Proje Sunumu / Seminer | 1 | 40 | 40 | |||
| Proje Sunumu / Seminer | 1 | 5 | 5 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 3 | 6 | 18 | |||
| Ara Sınav ve Hazırlığı | 1 | 20 | 20 | |||
| Genel Sınav ve Hazırlığı | 1 | 40 | 40 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Toplam İş Yükü (Saat) | 258 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(258/30) | 9 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| UYGULAMALI MAKİNE ÖĞRENMESİ | - | Bahar Dönemi | 3+0 | 3 | 9 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersi Verenler | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersin Yardımcıları | ÖĞR. GÖR. NADA MISK |
| Dersin Amacı | Bu dersin amacı, makine öğrenmesi algoritmalarını, yüksek lisans düzeyinde öğrenciye aktarmak ve python dili ve kütüphaneleri kullanarak uygulama yaptırmaktır. |
| Dersin İçeriği | Bu ders; Genel Kavramlar, Model Değerlendirme, Jackknife, Interpolasyon, Python'a Giriş,Python: Numpy, Pandas, matplotlib, pyplot, Scipy yükleme, Interpolasyon örneğinin farklı şekilde çözümü,Düzgünleştirme, Normalizasyon, PCA,Veri Dönüşümü/ Görsel Dönüşüm, 3-4-5 Kuralı, Denetimsiz Öğrenme Algoritmalarına Giriş, Python Uygulamaları,Karar Ağaçları, LIFT hesabı, ID3, C4.5(Entropy // GAIN), SPRINT (GINI),Karar Ağaçları Kodlama (Python),Regresyon, Doğrusal Regresyon, Çoklu Regresyon, Lojistik Regresyon, Kodlama (Python),İkili Karar Ağaçları Algoritmaları (CART ve CHAID), Ağaç Jeneratör (Kodlama),K- En Yakın Komşu Algoritması – KNN, En Küçük Mesafe Sınıflandırıcısı, Kolektif (Ensemble) öğrenme kavramı ve Rastgele Ormanlar, Kodlama (Python,Yapay Sinir Ağları, Keras ile kodlama.,Denetimsiz Öğrenme, Kümeleme, SLINK, Chameleon algoritması ,Kümeleme Analizi Ve Denetimsiz Öğrenme Algoritmaları, Hiyerarşik Kümeleme- CLUCDUH, Bölümleme Yöntemler (PAM), Yoğunluğa Dayalı Algoritmalar,Destek Vektör makineleri, Öğrenmenin Sınanması, Performans Ölçümü ,Bulanık FCM (Fuzzy C-Means) Algoritması ; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Makine Öğrenmesi Kavramını açıklar. | 2 | A, E, F |
| 1.1. Makine Öğrenmesini tanımlar. | ||
| 1.2. Makine öğrenmesi türlerini listeler | ||
| 1.3. Denetimli, denetimsiz ve pekiştirmeli öğrenmeyi karşılaştırır. | ||
| 2. Denetimli öğrenme algoritmalarını uygular. | 2 | A, E, F |
| 2.1 C4.5, ID3, CART ve CHAID algoritmaları adımlarını listeler | ||
| 2.2 Karar ağaçları Python ile uygular | ||
| 2.3 Regresyon, Doğrusal Regresyon, Çoklu Regresyon ve Lojistik Regresyon Python ile uygular | ||
| 2.4 K- En Yakın Komşu algoritmasını uygular | ||
| 2.5 Kolektif (Ensemble) öğrenme kavramını tanımlar ve Rastgele Ormanları uygular | ||
| 2.6 Keras ile Yapay Sinir Ağlarını uygular | ||
| 2.7 Destek Vektör makineleri algoritmasını tanımlar | ||
| 3. Denetimsiz öğrenme algoritmalarını uygular. | 2 | A, E, F |
| 3.1 SLINK algoritmasının adımlarını listeler | ||
| 3.2 K-Ortamala (K-Mean) algoritmasının adımlarını listeler | ||
| 3.3 CHAMELEON algoritması adımlarını listeler | ||
| 3.4 CLUCDUH algoritması adımlarını listeler | ||
| 3.5 Hiyerarşik Kümeleme, ölümleme Yöntemler (PAM) ve Yoğunluğa Dayalı Algoritmalarını tanımlar | ||
| 3.6 Bulanık FCM (Fuzzy C-Means) Algoritmasını tanımlar ve uygular | ||
| 4. Makine öğrenmesi algoritmalarının performansı değerlendirir. | 2 | A, E, F |
| 4.1 Sınıflandırma algoritmalarının performansını ölçer | ||
| 4.2 Kümeleme algoritmalarının performansını ölçer |
| Öğretim Yöntemleri: | 2: Proje Temelli Öğrenme Modeli |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Genel Kavramlar, Model Değerlendirme, Jackknife, Interpolasyon, Python'a Giriş | |
| 2 | Python: Numpy, Pandas, matplotlib, pyplot, Scipy yükleme, Interpolasyon örneğinin farklı şekilde çözümü | İlgili Video İzlenmeli |
| 3 | Düzgünleştirme, Normalizasyon, PCA | İlgili video izlenmeli |
| 4 | Veri Dönüşümü/ Görsel Dönüşüm, 3-4-5 Kuralı, Denetimsiz Öğrenme Algoritmalarına Giriş, Python Uygulamaları | İlgili Video İzlenmeli |
| 5 | Karar Ağaçları, LIFT hesabı, ID3, C4.5(Entropy // GAIN), SPRINT (GINI) | İlgili video izlenmeli |
| 6 | Karar Ağaçları Kodlama (Python) | İlgili video izlenmeli |
| 7 | Regresyon, Doğrusal Regresyon, Çoklu Regresyon, Lojistik Regresyon, Kodlama (Python) | İlgili video izlenmeli |
| 8 | İkili Karar Ağaçları Algoritmaları (CART ve CHAID), Ağaç Jeneratör (Kodlama) | İlgili video izlenmeli |
| 9 | K- En Yakın Komşu Algoritması – KNN, En Küçük Mesafe Sınıflandırıcısı, Kolektif (Ensemble) öğrenme kavramı ve Rastgele Ormanlar, Kodlama (Python | İlgili video izlenmeli |
| 10 | Yapay Sinir Ağları, Keras ile kodlama. | İlgili video izlenmeli |
| 11 | Denetimsiz Öğrenme, Kümeleme, SLINK, Chameleon algoritması | İlgili video izlenmeli |
| 12 | Kümeleme Analizi Ve Denetimsiz Öğrenme Algoritmaları, Hiyerarşik Kümeleme- CLUCDUH, Bölümleme Yöntemler (PAM), Yoğunluğa Dayalı Algoritmalar | İlgili video izlenmeli |
| 13 | Destek Vektör makineleri, Öğrenmenin Sınanması, Performans Ölçümü | İlgili video izlenmeli |
| 14 | Bulanık FCM (Fuzzy C-Means) Algoritması | İlgili video izlenmeli |
| Kaynak |
| Hands–On ML With Scikit–Learn, Keras and TensorFlow – Aurélien Géron |
| 1. Deep Learning for Coders with fastai and PyTorch – Jeremy Howard & Sylvain Gugger 2. Approaching (Almost) Any Machine Learning Problem – Abhishek Thakur. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |