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 |
EEE5572 | Biyoinformatik için Makine Öğrenimi II | Güz | 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 ZAFER İŞCAN |
Dersin Amacı: | Bu derste öğrenciler makine öğrenmesinin temel kavramları ve bu kavramların biyoinformatik problemlerine nasıl uygulandığını öğrenirler. |
Bu dersi başarıyla tamamlayabilen öğrenciler; 1. Makine öğrenmesinin temel kavramlarını anlama 2. Denetimli öğrenme ve sınıflandırıcı yöntemlerini anlama 3. Makine öğrenmesi yöntemlerinin biyoinformatik problemlerine nasıl uygulandığını anlama 4. Temel biyoinformatik uygulama ve araçlarını anlatma 5. Bir makine öğrenmesi programı öğrenmek |
1. Yapay sinir ağları 2. Vektör makineleri 3. Saklı Markov modelleri 4. Dinamik Bayes networkleri 5. Protein yapı ve fonksiyon tahmini 6. Kütle spektrometrisi 7. Gen networkleri |
Hafta | Konu | Ön Hazırlık | |
1) | Yapay sinir ağları, çok katlı algılayıcılar, parametrelendirme, öğrenme kuralları | ||
2) | Yapay sinir ağları (devam), öğrenme algoritmaları, ilişkilendirme, sınıflandırma, | ||
3) | Yapay sinir ağları (devam), biyoinformatik uygulamaları | ||
4) | Vektör makineleri, taban fonksiyonu yaklaşımı, dairesel taban fonksiyonlu yapay sinir ağları, biyo taban fonksiyonlu yapay sinir ağları | ||
5) | Vektör makineleri (devam), destek vektör makineleri, alaka vektör makineleri | ||
6) | Vektör makineleri (devam), biyoinformatik uygulamaları | ||
7) | Saklı Markov modelleri, öğrenme, deşifre etme | ||
8) | Dinamik Bayes ağları | ||
9) | Saklı Markov modelleri ve dinamik Bayes ağlarının biyoinformatikteki uygulamaları | ||
10) | Gen ağları, ayrık Bayes ağları, ayrık Bayes ağlarında çıkarım, ayrık Bayes ağlarında öğrenme | ||
11) | Gen ağları (devam), gen düzenleyici ağları, nedensel ağlar, çizgeler, biyoinformatik uygulamaları, gen düzenleyici ağları | ||
12) | Protein yapı ve fonksiyon tahmini | ||
13) | Kütle spektrometrisi | ||
14) | Proje sunumları |
Ders Notları: | 1. Machine Learning Approaches to Bioinformatics, Zheng Rong Yang, World Scientific Publishing Company, 2011. |
Diğer Kaynaklar: | 1. Data Mining for Bioinformatics, Sumeet Dua, CRC Press, 2013. 2. Bioinformatics: The Machine Learning Approach, Pierre Baldi and Soren Brunak, 2nd edition, MIT Press, 2001. 3. Pattern Recognition and Machine Learning, Christopher M. Bishop, 2nd printing edition, Springer, 2011. 4. Pattern Recognition, Sergios Theodoridis, Konstantinos Koutroumbas, Academic Press, 4th edition, 2008. 5. Introduction to Pattern Recognition: A Matlab Approach, Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras, Academic Press, 2010. 6. Pattern Classification, Richard O. Duda, Peter E. Hart, David G. Stork, 2nd edition, Wiley-Interscience, 2000. |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Devam | 14 | % 15 |
Laboratuar | % 0 | |
Uygulama | % 0 | |
Arazi Çalışması | % 0 | |
Derse Özgü Staj | % 0 | |
Küçük Sınavlar | % 0 | |
Ödev | % 0 | |
Sunum | % 0 | |
Projeler | 1 | % 30 |
Seminer | % 0 | |
Ara Sınavlar | 1 | % 15 |
Ara Juri | % 0 | |
Final | 1 | % 40 |
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 | 16 | 2 | 32 |
Sunum / Seminer | 0 | 0 | 0 |
Proje | 8 | 10 | 80 |
Ödevler | 5 | 6 | 30 |
Küçük Sınavlar | 0 | 0 | 0 |
Ara Juri | 0 | ||
Ara Sınavlar | 1 | 3 | 3 |
Rapor Teslimi | 0 | ||
Juri | 0 | ||
Final | 1 | 3 | 3 |
Toplam İş Yükü | 190 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |