Yıl: 2023, Dönem: Bahar
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer.
Dersin İçeriği
Makine Öğrenmesi dersi, lisans seviyesinde öğrencilere geniş bir perspektif sunan kapsamlı bir içeriğe sahiptir. Ders, öğrencilere makine öğrenmesinin temel kavramları ve sınıflandırmaları ile başlar. Denetimli, denetimsiz ve takviyeli öğrenme gibi temel sınıflandırmalar açıklanır. İlerleyen aşamalarda, istatistiksel ve matematiksel temellerle, özellikle olasılık, istatistik, lineer cebir ve matris operasyonları gibi konular detaylı bir şekilde incelenir.
Veri hazırlama ve ön işleme adımları, öğrencilere veri toplama, temizleme, özellik mühendisliği, anomali tespiti ve eksik veri yönetimi gibi pratik beceriler kazandırmak üzere detaylı bir şekilde işlenir. Denetimli öğrenme algoritmaları, doğrusal regresyon, lojistik regresyon, karar ağaçları, destek vektör makineleri ve k-NN gibi temel modellerle öğrenciler teorik ve pratik düzeyde buluşturulur.
Denetimsiz öğrenme algoritmaları, kümeleme algoritmaları (K-ortalama, hiyerarşik kümeleme) ve boyut indirgeme teknikleri (PCA) üzerinde durularak, öğrencilere geniş bir metodoloji yelpazesi sunulur. Derin öğrenme konusunda ise yapay sinir ağlarının temelleri, CNN ve RNN gibi derin öğrenme modelleri detaylı bir şekilde işlenir.
Model değerlendirme, performans metrikleri, model ayarlama ve hiperparametre optimizasyonu konularında öğrencilere detaylı bilgi sunulur. Ayrıca, büyük veri ve paralel işleme konularına odaklanarak, MapReduce ve Spark gibi teknolojilerle makine öğrenmesinin büyük veri setleri üzerindeki uygulamaları açıklanır.
Dersin uygulama aşamasında, öğrencilere gerçek dünya projeleri ve uygulama örnekleri üzerinden pratik deneyim kazandırılır. Python veya R gibi programlama dilleri kullanılarak öğrenciler, makine öğrenmesi uygulamalarını gerçekleştirir ve bu süreçte programlama becerilerini geliştirirler.
Son olarak, etik ve sorumluluk konuları vurgulanır. Veri gizliliği, algoritma adaleti gibi etik konular, toplumda makine öğrenmesi uygulamalarının etik boyutları öğrencilere aktarılır. Bu sayede, öğrenciler sadece teknik bilgi değil, aynı zamanda etik ve sosyal sorumluluk bilinciyle donanmış bir şekilde mezun olurlar.
Dersin Amacı
Makine Öğrenimi dersinin amacı, öğrencilere makine öğrenimi alanındaki temel kavramları anlatmak, istatistiksel ve matematiksel temelleri sağlamak, çeşitli makine öğrenimi algoritmalarını anlamalarını ve uygulamalarını yapmalarını sağlamak, veri madenciliği ve büyük veri analitiği konularında yetkinlik kazandırmak, eleştirel düşünce ve problem çözme becerilerini geliştirmek, grup içinde etkili iletişim yetenekleri kazandırmak, projeler aracılığıyla pratik deneyim sunmak, etik ve sorumluluk konularında bilinçlendirmek, endüstri standartlarında yazılı ve sözlü sunum yapma becerilerini artırmak, öğrencileri sürekli öğrenme ve gelişen teknolojiye uyum sağlama konusunda teşvik etmektir.
