| ENDÜSTRİ 4.0 (İNGİLİZCE, TEZSİZ) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| COP3231 | Doğuş Teknoloji Makine Öğrenmesine Giriş | Güz | 3 | 0 | 3 | 6 |
| Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
| Öğretim Dili: | En |
| Dersin Türü: | Departmental Elective |
| Dersin Seviyesi: | LİSANSÜSTÜ |
| Dersin Veriliş Şekli: | Hibrit |
| Dersin Koordinatörü: | Prof. Dr. ELİF OKAN |
| Dersin Amacı: | Bu ders, gözetimli öğrenme ve gözetimsiz öğrenme dahil olmak üzere Makine Öğrenimindeki kavram ve algoritmalara genel bir bakış sunmayı amaçlamaktadır. Gerçek dünya sorunlarının üstesinden gelmek için son zamanlardaki yaklaşımların yanı sıra temel konuların derinlemesine anlaşılması sağlanacaktır. Makine öğrenmesi kavramlarının katılımcılar tarafından anlaşılmasıyla birlikte de sektör bazlı uygulamalar gerçekleştirilecektir. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler; 1) İstatistiksel düşünme ve analitik bakış açı kazanma 2) Gizli kalıpları ortaya çıkararak tanımlayıcı veri analizini anlama 3) Gelecekteki eğilimleri tahmin etmek için temel makine öğrenme yöntemlerini anlama 4) Makine öğrenmesinin pratik uygulamalarda kullanılması ve uygulanabilirliğinin denetlenmesi 5) İncelenen makine öğrenmesi yöntemlerinin uygulanabilirliğinin denetlenmesi 6) Makine öğrenmesinin farklı endüstrilerde uygulanması ile ilgili bilgi sahibi olma 7) Python makine öğrenmesi programlaması hakkında farkındalık sahibi olma |
| Katılımcılara, Makine Öğrenmesi alanındaki yeni gelişmeler ve uygulamaların yanı sıra temel ilke ve kavramlar da tanıtacaklardır. Makine Öğrenmesi Problemlerini çözmek için gerekli olan matematiksel ve istatistiksel konularda sağlam bir temel oluşturacaklardır. Ders kapsamında Python programlama dili öğretilecek olup, dilin temellerinin yanında veri analizine yönelik olarak, python dili içerisinde bulunan bazı kütüphaneler (NumPy, SciPy, Pandas, Matplotlib, Scikit-learn) anlatılacak. Öğrenciler, günümüz endüstri düzeyindeki uygulamalarında yaygın olarak kullanılan, Makine Öğrenmesindeki temel teknikleri ve algoritmaları öğrenecek, bir çok alanda gerçekleştirelecek uygulamalı çalışmalarla aracılığıyla da Makine Öğrenmesi modeli eğitiminde deneyim kazanacaklardır. Ayrıca öğrenciler Makine Öğrenmesi yaklaşımlarını 5 farklı sektörde göreceklerinden, endüstriye atılmadan önce dahi, bu algoritmaların farklı sektörlerde kullanımıyla birlikte önemli alan bilgisi de edineceklerdir. |
| Hafta | Konu | Ön Hazırlık | |
| 1) | Yapısal programlamaya giriş: temel programlama teknikleri, değişken, döngü, koşullar ve fonksiyon gibi temel kavramlara giriş ve uygulamaları | ||
| 2) | Veri yapılarına giriş: temel Veri yapılarının çalışma mantığı ve kullanım alanları, diziler, listeler, yığın, sıra, ağaçlar, haritalar, v.b. kavramlar. Nesne Yönelimli programlamaya giriş: Nesne, kalıtım, kapsülleme, çok şekillilik v.b. kavramlar. | ||
| 3) | Makine Öğrenimi Kavramlarına Giriş ve Sektörler Özelinde Son Uygulamaları - Matematiksel Temeller & İstatistiksel Düşünme | ||
| 4) | Keşifsel Veri Analizi: -Veri Analizi ve Görselleştirme - Veri Sorunlarının Ele Alınması, - Keşifsel Veri Analizi uygulaması | ||
| 5) | Makine Öğrenmesi Algoritmaları: Makine Öğrenmesi Algoritmalarına Genel Bakış, -Gözetimli Öğrenme: Sınıflandırma | ||
| 6) | Vaka Çalışması: Finans Sektörü Uygulaması | ||
| 7) | Makine Öğrenmesi Algoritmaları: - Gözetimli Öğrenme: Regresyon Vize | ||
| 8) | Vaka Çalışması: Enerji Sektörü Uygulaması | ||
| 9) | Makine Öğrenmesi Algoritmaları: - Topluluk Öğrenmesi Yöntemleri | ||
| 10) | Vaka Çalışması: Otomotiv Sektörü Uygulaması | ||
| 11) | Makine Öğrenmesi Algoritmaları: - Model Validasyonu | ||
| 12) | Vaka Çalışması: Yeme & İçme Sektörü Uygulaması | ||
| 13) | Makine Öğrenmesi Algoritmaları: - Gözetimsiz Öğrenme, Yapay Sinir Ağlarına Giriş. | ||
| 14) | Vaka Çalışması: Medya Sektörü Uygulaması | ||
| Ders Notları: | • Python for Data Analysis, 2nd Edition Data Wrangling with Pandas, NumPy, and IPython, William McKinney, 2017 • Pandas for Everyone: Python Data Analysis, Daniel Y. Chen, 2017 • Building Machine Learning Systems with Python , Willi Richert, Luis Pedro Coelho , 2013 • Learning scikit-learn: Machine Learning in Python Paperback – November 25, 2013, Raúl Garreta, Guillermo Moncecchi |
| 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 | 1 | % 20 |
| Seminer | % 0 | |
| Ara Sınavlar | 1 | % 30 |
| Ara Juri | % 0 | |
| Final | 1 | % 50 |
| Rapor Teslimi | % 0 | |
| Juri | % 0 | |
| Bütünleme | % 0 | |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 30 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 70 | |
| 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 | 5 | 14 | 70 |
| Sunum / Seminer | 0 | 0 | 0 |
| Proje | 1 | 42 | 42 |
| Ödevler | 0 | 0 | 0 |
| Küçük Sınavlar | 0 | 0 | 0 |
| Ara Juri | 0 | 0 | 0 |
| Ara Sınavlar | 1 | 2 | 2 |
| Rapor Teslimi | 0 | 0 | 0 |
| Juri | 0 | 0 | 0 |
| Final | 1 | 2 | 2 |
| Toplam İş Yükü | 158 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |