SİBER GÜVENLİK (İNGİLİZCE, TEZLİ) | |||||
Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey |
Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
CMP5130 | Makine Öğrenimi ve Örüntü Tanıma | Güz Bahar |
3 | 0 | 3 | 12 |
Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
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. |
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 |
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 |
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 |
Ders Notları / Kitaplar: | Pattern Recognition and Machine Learning (Information Science and Statistics) by Christopher M. Bishop |
Diğer Kaynaklar: |
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 |
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 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
1) | Lisans düzeyi yeterliliklerine dayalı olarak, aynı veya farklı bir alanda bilgilerini uzmanlık düzeyinde geliştirebilme ve derinleştirebilme. | 4 |
1) | Alanı ile ilgili verilerin toplanması, yorumlanması, uygulanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri gözeterek denetleyebilme ve bu değerleri öğretebilme. | 4 |
1) | Alanı ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilme. | 4 |
1) | Alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme ve öğrenmesini yönlendirebilme. | 5 |
1) | Alanındaki güncel gelişmeleri ve kendi çalışmalarını, nicel ve nitel veriler ile destekleyerek alanındaki ve alan dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli biçimde aktarabilme. | 4 |
2) | Alanında edindiği bilgileri farklı disiplin alanlarından gelen bilgilerle bütünleştirerek yorumlayabilme ve yeni bilgiler oluşturabilme, | 4 |
2) | Alanı ile ilgili konularda strateji, politika ve uygulama planları geliştirebilme ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirebilme. | 5 |
2) | Sosyal ilişkileri ve bu ilişkileri yönlendiren normları eleştirel bir bakış açısıyla incelemeyebilme, geliştirebilme ve gerektiğinde değiştirmek üzere harekete geçebilme. | 5 |
2) | Alanında edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgileri kullanabilme. | 4 |
2) | Alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirebilme ve sorumluluk alarak çözüm üretebilme. | 5 |
2) | Alanının ilişkili olduğu disiplinler arası etkileşimi kavrayabilme. | 5 |
3) | Alanında özümsedikleri bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinlerarası çalışmalarda kullanabilme. | 5 |
3) | Alanı ile ilgili sorunların çözümlenmesini gerektiren ortamlarda liderlik yapabilme . | 5 |
3) | Alanı ile ilgili karşılaşılan sorunları araştırma yöntemlerini kullanarak çözümleyebilme. | 5 |