BİLGİ TEKNOLOJİLERİ (TÜRKÇE, 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 Bahar	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