1. Anasayfa

Ders Notları

100% Complete (success)
Dikkat !!! Lütfen okuyunuz ...

Öğretim Üyesi (Üyeleri): Öğr. Gör. Kübra Aslan Koca *

(*) Ders notu girebilmek için, bu alanda kendi isminiz yazıyor olmalı...

  • Bologna verilerinin girilmesi;
    ubys.omu.edu.tr adresinden,
    ÜBYS' de Öğretim Elemanları yetkisi seçilmeli... Öğretim elemanı danışmanlık işlemlerinden yapabilirsiniz...
Yıl: 2025, Dönem: Güz
OGP217, Makine Öğrenmesi (mufredatId:6771, dersId: 131386, programId: 5702)
Ders Kitabı / Malzemesi / Önerilen Kaynaklar

Planlanan Öğrenme Etkinlikleri: Teorik ders anlatımları Algoritma uygulamaları ve kodlama örnekleri Laboratuvar çalışmaları (Python, scikit-learn, TensorFlow/PyTorch) Grup projeleri ve vaka çalışmaları Ödevler ve küçük uygulama projeleri Tartışma oturumları Öğretme Yöntemleri: Anlatım yöntemi (lecture) ile temel kavramların aktarılması Problem tabanlı öğrenme (PBL – Problem-Based Learning) Uygulamalı laboratuvar çalışmaları Çevrimiçi kaynaklar ve interaktif kodlama platformları kullanımı Grup çalışmaları ile iş birliği ve problem çözme becerilerinin geliştirilmesi Dönem projesi ile gerçek dünya uygulamalarına entegrasyon

Dersin İçeriği

Makine Öğrenmesine Giriş Denetimli Öğrenme (Supervised Learning) Regresyon Sınıflandırma Denetimsiz Öğrenme (Unsupervised Learning) Kümeleme (Clustering) Boyut İndirgeme (Dimensionality Reduction) Model Değerlendirme ve Doğrulama Eğitim / Test Bölme Çapraz Doğrulama (Cross-Validation) Performans Ölçütleri (Accuracy, Precision, Recall, F1-score) Model Seçimi ve Hiperparametre Optimizasyonu Derin Öğrenmeye Giriş Uygulama Projeleri ve Case Study

Dersin Amacı

Bu dersin amacı, öğrencilere makine öğrenmesinin temel kavramlarını, algoritmalarını ve uygulama süreçlerini öğretmek; veri analizi, modelleme ve değerlendirme yetkinliklerini kazandırmaktır.

Haftalık Ders İçeriği

Hafta Teorik Uygulama Laboratuar Ders Notları
1 Makine Öğrenmesine Giriş Makine Öğrenmesine Giriş
2 Python ile Makine Öğrenmesine Giriş Python ile Makine Öğrenmesine Giriş
3 Denetimli Öğrenme – Temel Kavramlar Denetimli Öğrenme – Temel Kavramlar
4 Regresyon Algoritmaları Regresyon Algoritmaları
5 Sınıflandırma Algoritmaları Sınıflandırma Algoritmaları
6 Model Değerlendirme ve Performans Ölçütleri Model Değerlendirme ve Performans Ölçütleri
7 Hiperparametre Optimizasyonu Hiperparametre Optimizasyonu
8 Denetimsiz Öğrenme – Temel Kavramlar Denetimsiz Öğrenme – Temel Kavramlar
9 Kümeleme Algoritmaları Kümeleme Algoritmaları
10 Boyut İndirgeme Teknikleri Boyut İndirgeme Teknikleri
11 Derin Öğrenmeye Giriş Derin Öğrenmeye Giriş
12 Yapay Sinir Ağları Yapay Sinir Ağları
13 Makine Öğrenmesi Uygulamaları ve Proje Çalışmaları Makine Öğrenmesi Uygulamaları ve Proje Çalışmaları
14 Genel Değerlendirme ve Final Proje Sunumları Genel Değerlendirme ve Final Proje Sunumları
15 Final sınavı