CMP5130 Makine Öğrenimi ve Örüntü TanımaBahçeşehir ÜniversitesiAkademik Programlar BİLGİ TEKNOLOJİLERİ (İNGİLİZCE, TEZSİZ)Öğrenciler için Genel BilgiDiploma EkiErasmus BeyanıUlusal YeterliliklerBologna Komisyonu
BİLGİ TEKNOLOJİLERİ (İNGİLİZCE, TEZSİZ)
Yüksek Lisans TYYÇ: 7. Düzey QF-EHEA: 2. Düzey EQF-LLL: 7. Düzey

Ders Tanıtım Bilgileri

Ders Kodu Ders Adı Yarıyıl Teorik Pratik Kredi AKTS
CMP5130 Makine Öğrenimi ve Örüntü Tanıma Güz 3 0 3 12
Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir.

Temel Bilgiler

Öğretim Dili: İngilizce
Dersin Türü: Departmental Elective
Dersin Seviyesi: LİSANSÜSTÜ
Dersin Veriliş Şekli: Yüz yüze
Dersin Koordinatörü: Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR
Dersi Veren(ler): Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR
Opsiyonel Program Bileşenleri: Yok
Dersin Amacı: Örüntü tanıma sistemleri ve bileşenleri, karar teorileri ve sınıflandırılması; diskriminant fonksiyonları; denetimli ve denetimsiz eğitim; kümeleme; özellik çıkarımı ve boyutsal azaltılması; ardışık ve hiyerarşik sınıflandırma, eğitim, özellik çıkarımı, ve mühendislik problemlerine karar kuralları uygulamaları.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
I. örüntü tanıma problemlerinin doğası ve doğal zorluklar anlamak
II. Kavramları, ticaret-off ve farklı özellik türleri uygunluğu ve bu Bayes gibi sınıflandırma teknikleri, maksimum olabilirlik, vb anlamak
III. Uygun bir sınıflandırma süreci, özellikleri ve istenen örüntü tanıma problemi çözmek için uygun sınıflandırıcı seçin.
IV. Mevcut kaynakları kullanarak algoritma uygulama becerilerini sergilemek ve doğru yorumlamak ve örüntü tanıma terminolojiyi kullanarak açık ve kesin sonuçları iletişim kurabilmek
V. örüntü tanıma algoritmaları matematiksel istatistik temelleri anlamak
VI. Örüntü tanıma güncel araştırma ve gelişmiş konular değerlendirmek

Dersin İçeriği

1.Density Based Clustering
2.Agglomerative Clustering
3.Cluster Evaluation
4.Cohesion, Separation, Cluster Tendency
5.Prototoype-Based Clustering
6.Fuzzy Clustering
7.Sparsification
8.Optimal Partitioning of Sparse Similarities Using Metis
9.Chamelon
10.Jarvis-Patris Clustering Algorithm
11.BIRCH
12.CURE
13.Combining Multiple Clusterings

Haftalık Ayrıntılı Ders İçeriği

Hafta Konu Ön Hazırlık
1) Tekrar ve karar ağaçları Yok
2) Olasılık Tekrarı Yok
3) Örnek tabanlı öğrenme Yok
4) Naive Bayes Yok
5) Lojistik Regresyon Yok
6) Doğrusal Regresyon Yok
8) Yapay Sinir Ağları Yok
9) Ara Sınav Tekrar
10) Model Seçimi Yok
11) K-means ve hiyerarşik topaklama Yok
12) Topaklama için osalık modelleme Yok
13) Yarı denetimli öğrenme Yok
14) Takviyeli Öğrenme Yok

Kaynaklar

Ders Notları / Kitaplar: Pattern Recognition and Machine Learning (Information Science and Statistics) by Christopher M. Bishop
Diğer Kaynaklar:

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları Aktivite Sayısı Katkı Payı
Projeler 5 % 10
Ara Sınavlar 1 % 40
Final 1 % 50
Toplam % 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI % 40
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI % 60
Toplam % 100

AKTS / İş Yükü Tablosu

Aktiviteler Aktivite Sayısı Süre (Saat) İş Yükü
Ders Saati 14 3 42
Sınıf Dışı Ders Çalışması 14 6 84
Proje 5 5 25
Ara Sınavlar 1 20 20
Final 1 20 20
Toplam İş Yükü 191

Program ve Öğrenme Kazanımları İlişkisi

Etkisi Yok 1 En Düşük 2 Düşük 3 Orta 4 Yüksek 5 En Yüksek
           
Dersin Program Kazanımlarına Etkisi Katkı Payı
1) Temel Yazılım Mühendisliği bilgi ve yetkinliklerini kullanır.
2) Yazılım Mühendisliği uygulamaları için gerekli olan program geliştirme becerisini uygular.
3) Veri yapılarını kullanır ve algoritma geliştirme bilgilerini uygular.
4) İşletim sistemleri üzerinde sistem programları geliştirir.
5) Bilgisayar organizasyonu, tasarımı ve mimarilerini tanımlar.
6) Bilgisayar ağları ve ağ güvenliği yapılarını oluşturur.
7) İş zekası, veri madenciliği ve veri analizi araçlarını kullanır, tekniklerini uygular.
8) Veritabanı uygulamaları ve WEB tabanlı programlar geliştirir.
9) Bilgi teknolojileri projelerini tanımlar, analiz eder, tasarlar ve yönetir.
10) Eğitimde teknoloji tabanlı ortamları ve araçları kullanır ve geliştirir.
11) İş ortamındaki bilişim teknolojileri ihtiyaçlarını saptar, tanımlar ve çözer.
12) Bilişim teknolojileri yetkinliklerini mesleki sorumluluklar ve etik kuralları çerçevesinde kullanır.