| BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE, BÜTÜNLEŞİK DOKTORA) | |||||
| Doktora | 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 dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
| 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. |
|
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 Dersin öğrenme yöntemleri anlatım, grup çalışması, teknoloji destekli öğrenme, proje hazırlama, uygulama şeklindedir. |
| 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: | Pattern Recognition and Machine Learning (Information Science and Statistics) by Christopher M. Bishop |
| Diğer Kaynaklar: |
| 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 | |
| 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 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |