ENDÜSTRİ 4.0 (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
ECO2868 R ile Makine Öğrenmesi Güz 3 0 3 6
Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir

Temel Bilgiler

Öğretim Dili: Tr
Dersin Türü: Departmental Elective
Dersin Seviyesi: LİSANSÜSTÜ
Dersin Veriliş Şekli: Yüz yüze
Dersin Koordinatörü: Doç. Dr. OZAN BAKIŞ
Dersin Amacı: Bu dersin amacı, temel makine öğrenme algoritmalarını R dili ile uygulamalı olarak öğretmektir.

Öğrenme Çıktıları

Bu dersi başarıyla tamamlayabilen öğrenciler;
1. Makine öğrenmesinin temelleri ve uygulama alanları
2. Regresyon analizi
3. Sınıflama
4. Kümeleme
5. Model seçimi
6. Tahmin ve tahmin performansını ölçmek

Dersin İçeriği

Derste makine öğrenmesinin temel kavramları, istatistik ve veri bilimi ile olan ilişkisi anlatıldıktan sonra temel algoritmalar uygulamalı olarak öğretilecektir. Dersin temel felsefesini yaparak öğrenme oluşturacaktır. Bu sebeple öğrencilerin yaparken hata yapmaları ve hatalarından ders çıkarmaları teşvik edilecektir. Öğrencilerin 2-3 kişilik gruplar halinde dersin hocası ile beraber seçecekleri bir veri ve konu üzerinde çalışarak öğrendiklerini bu veriye uygulamları beklenmektedir. Final sınavı dönem boyunca üzerinde çalışılan bu projenin sunumu şeklinde olacaktır. Bu dersi alacak öğrencilerin R programalama dilinin yanısıra temel istatistik kavramlarının bildiği kabul edilmektedir.

Haftalık Ayrıntılı Ders İçeriği

Hafta Konu Ön Hazırlık
1) Giriş ISLR, Ch. 1, 2
2) R dili: Hafıza tazeleme
3) Çoklu regresyon analizi ISLR, Ch. 3
4) Sınıflama: Lojistik regresyon ve diskriminant analizi ISLR, Ch. 4
5) Sınıflama: Naif Bayes ve k-en yakın komşu (kNN) ISLR, Ch. 4
6) Sınıflama: Karar ağaçları ISLR, Ch. 8
7) Tahmin performansı ve model seçimi ISLR, Ch. 5, 6
8) Tahmin performansı ve model seçimi ISLR, Ch. 5, 6
9) Ara sınav
10) Temel bileşenlar analizi (PCA) ISLR, Ch. 12
11) Kümeleme: K-ortalamalar ISLR, Ch. 12
12) Kümeleme: Hiyerarşik Kümeleme ISLR, Ch. 12
13) Proje sunumuna hazırlık
14) Proje sunumu

Kaynaklar

Ders Notları:
Diğer Kaynaklar: James, G., D. Witten, T. Hastie, and R. Tibshirani (2021). An Introduction to Statistical Learning, with Applications in R, https://www.statlearning.com

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları Aktivite Sayısı Katkı Payı
Devam 14 % 10
Laboratuar % 0
Uygulama % 0
Arazi Çalışması % 0
Derse Özgü Staj % 0
Küçük Sınavlar % 0
Ödev % 0
Sunum % 0
Projeler % 0
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 % 50
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI % 50
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 3 42
Sunum / Seminer 0 0 0
Proje 0 0 0
Ödevler 0 0 0
Küçük Sınavlar 0 0 0
Ara Juri 0 0 0
Ara Sınavlar 1 30 30
Rapor Teslimi 0 0 0
Juri 0 0 0
Final 1 30 30
Toplam İş Yükü 144

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