Ders Notları

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

Öğretim Üyesi (Üyeleri): Prof.Dr. MEHMET ALİ CENGİZ *

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

  • Farklı bir isim yazıyor veya boş geliyor ise; ubs.omu.edu.tr adresinden, Öğrenci Web (Öğretim Üyesi) modülü seçilmeli,
  • Bologna Süreci -> Ders Öğretim Planları seçilmeli,
  • Açılan pencerede, ders verdiğiniz Fakülte, Bölüm, Ders seçilerek, Öğretim Üyesi (Üyeleri) alanına isminizi yazmalısınız...
Yıl: 1, Dönem: 2
Ders Kitabı / Malzemesi / Önerilen Kaynaklar

Han, Jiawei, Jian Pei, and Micheline Kamber. Data mining: concepts and techniques. Elsevier, 2011. Introduction to Machine Learning (Adaptive Computation and Machine Learning), E. Alpaydin,

Dersin İçeriği

Makine öğrenimine giriş, Maksimum olabilirlik-Bayesci sonuç çıkarımı, Farklı görevlere genel bakış: sınıflandırma, regresyon, kümelenme ve kontrol, Kavram öğrenme, algoritmalar ve kısıtlamalar, Bilgi teorisi. Shannon'ın entropisi, Karşılıklı bilgi, Karar ağaçları, Olasılık modellemeye giriş, Olasılık dağılımları ve yoğunlukları, Bayes'in kuralı, maksimum olabilirlik, Bayesci sonuç çıkarımı, Kümelenme (Gauss karışımları, EM algoritması, k-ortalamaları), Boyut azaltma (PCA), Doğrusal olmayan regresyon ve sınıflandırma, İleri beslemeli sinir ağları, destek vektör makineleri.

Dersin Amacı

Dersin amacı, öğrenme ve veri madenciliği üzerine araştırma yapan ya da bir soruna öğrenme ve veri madenciliği tekniklerini uygulamak isteyen kişilerin ihtiyaç duyduğu yöntem bilim, teknoloji, matematik ve algoritmalar üzerine temel bilgi sağlamaktır.

Haftalık Ders İçeriği

Hafta Teorik Uygulama Laboratuar Ders Notları
1 Makine öğrenmesine giriş
2 Maksimum olabilirlik-Bayesci sonuç çıkarımı.
3 Farklı görevlere genel bakış: sınıflandırma, regresyon, kümelenme ve kontrol.
4 Kavram öğrenme, algoritmalar ve kısıtlamalar.
5 Bilgi teorisi. Shannon'ın entropisi. Karşılıklı bilgi.
6 Karar Ağaçları Öğrenmesi
7 Olasılık modellemeye giriş.
8 Arasınav
9 Olasılık dağılımları ve yoğunlukları, Bayes'in kuralı, maksimum olabilirlik, Bayesci sonuç çıkarımı.
10 Kümelenme (Gauss karışımları, EM algoritması, k-ortalamaları).
11 Boyut azaltma (PCA).
12 Doğrusal olmayan regresyon ve sınıflandırma.
13 İleri beslemeli sinir ağları, destek vektör makineleri.
14 Makine öğrenmesi uygulama

Değerlendirme

# Etkinlikler Adet Yuzde Katkısı Yarıyıl İci Etkinlik Yıl Sonu Etkinlik
90 Yarıyıl (Yıl) İçi Etkinlikleri 0 40
91 Yarıyıl (Yıl) Sonu Etkinlikleri 0 60
1 Ara Sınav 1 100 1
2 Final Sınavı 1 100 1

Ders İş Yükü Verisi

# Etkinlikler Adet Süresi(saat) Toplam İş Yükü(saat)
1 Ara Sınav 1 3 3
2 Final Sınavı 1 3 3
5 Derse Katılım 13 3 39
6 Uygulama/Pratik 13 3 39
9 Problem Çözümü 13 4 52
11 Soru-Yanıt 9 2 18
29 Bireysel Çalışma 13 2 26
32 Ara Sınav İçin Bireysel Çalışma 1 3 3
33 Final Sınavı içiin Bireysel Çalışma 1 5 5
54 Ev Ödevi 1 3 3

Dersin Öğrenme Çıktıları

# Öğrenme Çıktı Id Açıklama
1 1617647 Deneme ve karşılaştırma deneylerine dair açık ve özlü tarifler yapabilmelidir.
2 1617648 Makine öğrenimi algoritmalarını uygulayabilmeli, performanslarını değerlendirebilmeli ve gerçek veri grupları ile çalışmalarda karşılaşılan sorunları anlayabilmeli,
3 1617649 Makine öğrenimi için teorik bir iskelet oluşturabilmek için bilgi teorisini ve olasılık teorisini anlayabilmeli,
4 1617650 Makine öğrenimi tekniklerini uygulamada deneyim sahibi olmalı,
5 1617651 Ders tamamlandığında öğrenciler; makine öğreniminde kullanılan temel algoritmaları tanıyabilmeli,

Bölüm Program Çıktıları

# Program Çıktı Id Açıklama
1 70565 Alanı ile ilgili konularda strateji, politika ve uygulama planları geliştirir ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirir.
2 70566 Alanında özümsedikleri bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinler arası çalışmalarda kullanır.
3 70567 Lisans düzeyi yeterliliklerine dayalı olarak, aynı veya farklı bir alanda bilgilerini uzmanlık düzeyinde geliştirir, derinleştirir ve istatistik metotları kullanarak analiz eder ve yorumlar.
4 70568 Alanında edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgileri kullanır.
5 70569 Alanı ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütür.
6 70570 Alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirir ve sorumluluk alarak çözüm üretir.
7 70571 Alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirir ve öğrenmesini yönlendirir.
8 70572 Alanı ile ilgili verilerin toplanması, yorumlanması, uygulanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri gözeterek denetler ve bu değerleri öğretir.
9 70573 Alanının gerektirdiği düzeyde bilgisayar yazılımı ile birlikte bilişim ve iletişim teknolojilerini ileri düzeyde kullanır.
10 70574 Alanında edindiği bilgileri farklı disiplin alanlarından gelen bilgilerle bütünleştirerek yorumlar ve yeni bilgiler oluşturur.
11 70575 Alanının ilişkili olduğu disiplinler arası etkileşimi teşhis eder.
12 70576 Alanının gelişmesinde yer alan önemli kişileri, olay ve olguları, alanının uygulamalarına etkileri açısından değerlendirir.
13 70577 Alanındaki güncel gelişmeleri ve kendi çalışmalarını, nicel ve nitel veriler ile destekleyerek alanındaki ve alan dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli biçimde aktarır.
14 70578 Alanı ile ilgili sorunların çözümlenmesini gerektiren ortamlarda liderlik yapar.
15 70579 Alanı ile ilgili karşılaşılan sorunları araştırma yöntemlerini kullanarak çözümler.

Ögrenme Çıktı Matrisi

Program Çıktısı
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Öğrenme Çıktısı
1 4 3 4 4 4 3 5 4 4 3 4 5 4 4 4
2 4 3 4 5 4 3 5 3 4 3 4 4 4 3 4
3 4 3 3 4 4 3 4 4 5 4 3 5 4 4 4
4 4 3 4 3 4 3 4 4 4 3 3 5 4 3 3
5 4 3 4 4 4 3 5 5 4 4 4 4 4 3 4
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek

İletişim Bilgileri

Adres:
Ondokuz Mayıs Üniversitesi Rektörlük Binası Kurupelit Kampüsü, 55139 Atakum / SAMSUN
Telefon:
(362) 312 19 19
Eposta:
iletisim@omu.edu.tr