MATEMATİK (TÜRKÇE, DOKTORA) | |||||
Doktora | TYYÇ: 8. Düzey | QF-EHEA: 3. Düzey | EQF-LLL: 8. Düzey |
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 |
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. |
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 |
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. |
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 |
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 |
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 |
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 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |