Ders Detayı
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
UYGULAMALI MAKİNE ÖĞRENMESİ | İEVY1212889 | Bahar Dönemi | 3+0 | 3 | 9 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Zorunlu |
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 | |||
1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | X | |||||
2 | Bilişim ve yönetim alanında gerekli ileri düzeyde matematiksel ve istatistiki yöntemleri anlatır. | ||||||
3 | Enformatik, yönetim ve büyük veri ile ilgili gerekli en az bir bilgisayar programı veya teknolojiyi kullanır. | X | |||||
4 | Bilişim projeleri hazırlar ve takım çalışmalarını yönetir. | ||||||
5 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | ||||||
6 | Büyük verileri analiz için hazırlar. | X | |||||
7 | Alana özgü bilimsel tez, rapor, makale ve benzerlerini yazar. | X | |||||
8 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | X | |||||
9 | Alanının ilişkili olduğu disiplinler arası etkileşimi açıklar. | X |
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 | İEVY1212889 | Bahar Dönemi | 3+0 | 3 | 9 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Zorunlu |
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 | |||
1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | X | |||||
2 | Bilişim ve yönetim alanında gerekli ileri düzeyde matematiksel ve istatistiki yöntemleri anlatır. | ||||||
3 | Enformatik, yönetim ve büyük veri ile ilgili gerekli en az bir bilgisayar programı veya teknolojiyi kullanır. | X | |||||
4 | Bilişim projeleri hazırlar ve takım çalışmalarını yönetir. | ||||||
5 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | ||||||
6 | Büyük verileri analiz için hazırlar. | X | |||||
7 | Alana özgü bilimsel tez, rapor, makale ve benzerlerini yazar. | X | |||||
8 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | X | |||||
9 | Alanının ilişkili olduğu disiplinler arası etkileşimi açıklar. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |