BİLGİSAYAR MÜHENDİSLİĞİ (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 7
Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir

Temel Bilgiler

Öğretim Dili: En
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
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 Çıktıları

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

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları Aktivite Sayısı Katkı Payı
Devam % 0
Laboratuar % 0
Uygulama % 0
Arazi Çalışması % 0
Derse Özgü Staj % 0
Küçük Sınavlar % 0
Ödev % 0
Sunum % 0
Projeler 5 % 10
Seminer % 0
Ara Sınavlar 1 % 40
Ara Juri % 0
Final 1 % 50
Rapor Teslimi % 0
Juri % 0
Bütünleme % 0
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
Laboratuvar 0 0 0
Uygulama 0 0 0
Derse Özgü Staj 0 0 0
Arazi Çalışması 0 0 0
Sınıf Dışı Ders Çalışması 14 6 84
Sunum / Seminer 0 0 0
Proje 5 5 25
Ödevler 0 0 0
Küçük Sınavlar 0 0 0
Ara Juri 0
Ara Sınavlar 1 20 20
Rapor Teslimi 0
Juri 0
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