ELEKTRİK - ELEKTRONİK MÜHENDİSLİĞİ
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Tanıtım Bilgileri

Ders Kodu	Ders Adı	Yarıyıl	Teorik	Pratik	Kredi	AKTS
EEE5571	Biyoinformatik için Makine Öğrenimi I	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:	LİSANS
Dersin Veriliş Şekli:	Yüz yüze
Dersin Koordinatörü:	Dr. Öğr. Üyesi ZAFER İŞCAN
Opsiyonel Program Bileşenleri:	yok..........
Dersin Amacı:	Bu derste öğrenciler makine öğrenmesinin temel kavramları ve bu kavramların biyoinformatik problemlerine nasıl uygulandığını öğrenirler.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
1. Temel biyoinformatik uygulama ve araçlarını anlatma
2. Makine öğrenmesinin temel kavramlarını anlama
3. Denetimsiz öğrenme yöntemlerini anlama
4. Denetimli öğrenme ve sınıflandırıcı yöntemlerini anlama
5. Boyut küçültme yöntemlerini anlama
6. Makine öğrenmesi yöntemlerinin biyoinformatik problemlerine nasıl uygulandığını anlama
7. Bir makine öğrenmesi programı öğrenmek

Dersin İçeriği

1. Biyoinformatiğe giriş
2. Denetimsiz öğrenme yöntemleri: olasılık yoğunluk kestirimi, kümeleme, kendiliğinden organize olan haritalar
3. Denetimli öğrenme yöntemleri: Bayes sınıflandırıcısı, diskriminant analizi, K-en yakın komşu yöntemi, ilişkilendirme, rastgele orman yöntemi
4. Boyut küçültme yöntemleri: ana bileşen analizi, çok boyutlu ölçekleme
5. Mikro dizin ve gen idafesi

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Biyoinformatiğe giriş, biyoinformatiğin kısa tarihçesi, biyoinformatikteki veritabanı uygulamaları, internet araç ve servisleri, örüntü analizi, enformasyon teorisinin biyoinformatiğe katkısı
2)	Makine öğrenmesine giriş, denetimli ve denetimsiz öğrenme, bedava öğle yemeği olmaz teoremi, çirkin ördek yavrusu teoremi, Occam'ın usturası, fazla oturma, meyil değişkenlik değiş tokuşu, çapraz doğrulama, çizme atkısı
3)	Denetimsiz öğrenmeye giriş, olasılık yoğunluk kestirimi, histogram yöntemi, parametrik yöntem, parametrik olmayan yöntem: K-en yakın komşu yöntemi, çekirdek yöntemi
4)	Boyut küçültme, temel bileşen analizi, bağımsız bileşen analizi, çok boyutlu ölçekleme, Sammon algoritmasının gen verisine uygulanması
5)	Kümeleme analizi, hiyerarşik kümeleme, K-means kümeleme, belirsiz C-means, Gauss karışım modelleri, kümeleme algoritmalarının gen ifadesi verisine uygulanması
6)	Kendi kendine organize olan haritalar, vektör nicelemesi, SOM yapısı, SOM öğrenme algoritması, SOM yönteminin sınıflandırma amaçlı kullanılması, vektör nicelemesi ve SOM yöntemlerinin biyoinformatikteki uygulamaları
7)	Denetimli öğrenmeye giriş, genel kavram ve tanımlar, model değerlendirme, veri organizasyonu
8)	Sınıflandırma için Bayes kuralı, minimum hata oranı sınıflandırıcısı, ayrıştırıcı fonksiyonlar, Bayes inanç ağları
9)	Doğrusal ve ikinci dereceden diskriminant analizi, genelleştirilmiş diskriminant analizi, K en yakın komşu yöntemi ve gen veri analizine uygulanması
10)	Sınıflandırma ve ilişkilendirme ağaçları, bileşen yolak katılımının tahmini için CART metodu, rastgele orman yöntemi ve gen ifade profillerinin incelenmesi
11)	Özellik seçimi, yerleşik yöntem, lasso ilişkilendirmesi, yükselti ilişkilendirmesi, kısmi en küçük kareler algoritması, kapsamlı yöntem
12)	Özellik seçimi (devam), deneyimsel yaklaşım, dikey en küçük kareler yaklaşımı, özellik seçimi kriteri: ilişki ölçütü, Fisher oranı ölçütü, müşterek bilgi ölçütü
13)	Özellik çıkarımı, biyolojik veri kodlaması: molekül dizileri, kimyasal bileşenler, dizi analizi
14)	Proje sunumları

Kaynaklar

Ders Notları / Kitaplar:

1. Machine Learning Approaches to Bioinformatics, Zheng Rong Yang, World Scientific Publishing Company, 2011.

Diğer Kaynaklar:

1. Data Mining for Bioinformatics, Sumeet Dua, CRC Press, 2013.
2. Bioinformatics: The Machine Learning Approach, Pierre Baldi and Soren Brunak, 2nd edition, MIT Press, 2001.
3. Pattern Recognition and Machine Learning, Christopher M. Bishop, 2nd printing edition, Springer, 2011.
4. Pattern Recognition, Sergios Theodoridis, Konstantinos Koutroumbas, Academic Press, 4th edition, 2008.
5. Introduction to Pattern Recognition: A Matlab Approach, Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras, Academic Press, 2010.
6. Pattern Classification, Richard O. Duda, Peter E. Hart, David G. Stork, 2nd edition, Wiley-Interscience, 2000.

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Devam	14	% 15
Projeler	1	% 30
Ara Sınavlar	1	% 15
Final	1	% 40
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 30
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 70
Toplam		% 100

AKTS / İş Yükü Tablosu

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ders Saati	14	3	42
Sınıf Dışı Ders Çalışması	16	2	32
Proje	8	10	80
Ödevler	5	6	30
Ara Sınavlar	1	3	3
Final	1	3	3
Toplam İş Yükü			190

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)	Matematik, fen bilimleri ve elektrik-elektronik mühendisliği disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi.	4
2)	Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi.	4
3)	Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi.	3
4)	Elektrik-Elektronik Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi.
5)	Karmaşık mühendislik problemlerinin veya elektrik-elektronik mühendisliğine özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi.
6)	Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi.
7)	İngilizce ve (eğer Türk vatandaşı ise) Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi.
8)	Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi.
9)	Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; elektrik-elektronik mühendislik uygulamalarında kullanılan standartlar hakkında bilgi.
10)	Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi.
11)	Elektrik-Elektronik Mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık.