Elektrik ve Bilgisayar Mühendisliği Tezli Yüksek Lisans
Dersin Ayrıntıları
KTO KARATAY ÜNİVERSİTESİ
Lisansüstü Eğitim Enstitüsü
Elektrik ve Bilgisayar Mühendisliği Tezli Yüksek Lisans Programı
Ders Bolognaları
Lisansüstü Eğitim Enstitüsü
Elektrik ve Bilgisayar Mühendisliği Tezli Yüksek Lisans Programı
Ders Bolognaları
| Ders Kodu | Ders Adı | Yıl | Dönem | Yarıyıl | T+U+L | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| 80511111 | Örüntü Tanıma | 2023 | Güz | 1 | 3+0+0 | 7,5 | 7,5 |
| Dersin Türü | Seçmeli |
| Dersin Düzeyi | Yüksek Lisans (TYYÇ: 7. Düzey / QF-EHEA: 2. Düzey / EQF-LLL: 7. Düzey) |
| Dersin Dili | Türkçe |
| Yöntem ve Teknikler | - |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | - |
| Dersin Koordinatörü | - |
| Dersi Veren(ler) | Doç. Dr. Ali ÖZTÜRK |
| Yardımcı(lar) | - |
Dersin Öğretim Eleman(lar)ı
| Adı Soyadı | Oda No. | E-Posta Adresi | Dahili | Görüşme Saatleri |
|---|---|---|---|---|
| Doç. Dr. Ali ÖZTÜRK | - | [email protected] |
Dersin İçeriği
Bayes karar verme teorisine dayalı sınıflandırıcılar, doğrusal sınıflandırıcılar, doğrusal olmayan sınıflandırıcılar, öznitelik çıkartma, öznitelik seçme, boyut indirgeme, kümeleme/öbekleme.
Dersin Amacı
İstatistiksel ve yapısal örüntü tanıma temellerini, Bayes karar verme teorisini, doğrusal ve doğrusal olmayan sınıflandırıcıları, özellik çıkartma ve özellik seçme yöntemlerini, boyut azaltmasını, kümeleme/öbekleme algoritmalarını öğretmek ve gerçek dünya problemlerine uygulanmasını göstermektir.
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | |
| Uzmanlık / Alan Dersleri | |
| Destek Dersleri | |
| Aktarılabilir Beceri Dersleri | |
| Beşeri, İletişim ve Yönetim Becerileri Dersleri |
Dersin Haftalık İçeriği
| Hafta | Konu |
|---|---|
| 1 | İstatistiksel ve Yapısal Örüntü Tanıma |
| 2 | Bayes sınıflandırıcılar |
| 3 | Bayes sınıflandırıcılar |
| 4 | Doğrusal sınıflandırıcılar |
| 5 | Nonlinear classifiers |
| 6 | Doğrusal olmayan sınıflandırıcılar |
| 7 | Öznitelik seçme |
| 8 | Öznitelik çıkartma |
| 9 | Boyut azaltma |
| 10 | Şablon Eşleme |
| 11 | Kümeleme/öbekleme algoritmaları: Sıralı algoritmalar |
| 12 | Kümeleme/öbekleme algoritmaları: Sıradüzensel algoritmalar |
| 13 | Kümeleme/öbekleme algoritmaları: Fonksiyon optimizasyonuna dayalı algoritmalar |
| 14 | Küme/öbek geçerliliği |
Ders Kitabı veya Malzemesi
| Kaynaklar | A. Webb, Statistical Pattern Recognition, 2nd edition, John Wiley & Sons, Inc., 2002. |
| C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006. | |
| R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification, 2nd edition, John Wiley & Sons, Inc., 2000. | |
| S. Theodoridis, K. Koutroumbas, Pattern Recognition, 3rd edition, Academic Press, 2006. |
AKTS / Çalışma Yükü Tablosu
| Etkinlik | Sayı | Süre | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Hafta Sayısı ve Saati | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, Kütüphane, Pekiştirme) | 14 | 3 | 42 |
| Ara Sınav | 0 | 0 | 0 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Laboratuvar | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Atölye | 0 | 0 | 0 |
| Sunum/Seminer Hazırlama | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Dönem Sonu Sınavı | 1 | 131 | 131 |
| Diğer | 1 | 10 | 10 |
| Toplam İş Yükü: | 225 | ||
| Toplam Yük / 30 | 7,50 | ||
| Dersin AKTS Kredisi: | 8 | ||