Bilgisayar Mühendisliği
Dersin Ayrıntıları
KTO KARATAY ÜNİVERSİTESİ
Mühendislik ve Doğa Bilimleri Fakültesi
Bilgisayar Mühendisliği Programı
Ders Bolognaları
Mühendislik ve Doğa Bilimleri Fakültesi
Bilgisayar Mühendisliği Programı
Ders Bolognaları
| Ders Kodu | Ders Adı | Yıl | Dönem | Yarıyıl | T+U+L | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| 05061106 | Makine Öğrenmesi | 3 | Bahar | 6 | 3+0+0 | 3 | 5 |
| Dersin Türü | Seçmeli |
| Dersin Düzeyi | Lisans (TYYÇ: 6. Düzey / QF-EHEA: 1. Düzey / EQF-LLL: 6. Düzey) |
| Dersin Dili | Türkçe |
| Yöntem ve Teknikler | - |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | - |
| Dersin Koordinatörü | - |
| Dersi Veren(ler) | Dr. Öğr. Üyesi Ali Osman ÇIBIKDİKEN |
| Yardımcı(lar) | - |
Dersin Öğretim Eleman(lar)ı
| Adı Soyadı | Oda No. | E-Posta Adresi | Dahili | Görüşme Saatleri |
|---|---|---|---|---|
| Dr. Öğr. Üyesi Ali Osman ÇIBIKDİKEN | A-124 | [email protected] | 7585 | Pazartesi 14.00-15.00 |
Dersin İçeriği
Ders 1: Makine Öğrenimine Giriş. Ders 2: Tanımlayıcı İstatistiklerle Veriyi Anlamak. (Veriyi Analiz Etmek) Ders 3: Görselleştirme ile Veriyi Anlamak. (Veriyi Analiz Etmek) Ders 4: Veriyi Ön İşlemek. (Veriyi Hazırlamak) Ders 5: Özellik Seçimi. (Veriyi Hazırlamak) Ders 6: Yeniden Örnekleme Yöntemleri. (Algoritmaları Değerlendirmek) Ders 7: Algoritma Değerlendirme Metrikleri. (Algoritmaları Değerlendirmek) Ders 8: Sınıflandırma Algoritmalarını Denetimli Test Etmek. (Algoritmaları Değerlendirmek) Ders 9: Regresyon Algoritmalarını Denetimli Test Etmek. (Algoritmaları Değerlendirmek) Ders 10: Model Seçimi. (Algoritmaları Değerlendirmek) Ders 11: Borular. (Algoritmaları Değerlendirmek) Ders 12: Ensemble Yöntemleri. (Sonuçları İyileştirmek) Ders 13: Algoritma Parametre Ayarlama. (Sonuçları İyileştirmek) Ders 14: Model Finalleştirme. (Sonuçları Sunmak)
Dersin Amacı
Bu makine öğrenmesi dersi, öğrencilere temel makine öğrenimi kavramlarını ve tekniklerini sunmayı amaçlar. Veri analizi, hazırlama, algoritma değerlendirmesi ve sonuç sunumu gibi adımları kapsar. Öğrenciler, veriyi anlama, önişleme, özellik seçimi, yeniden örnekleme gibi beceriler kazanır. Ayrıca sınıflandırma, regresyon algoritmalarını incelemek, ensemble yöntemleri ve parametre ayarlama gibi ileri konuları öğrenmek de dersin hedeflerindendir. Bu ders, öğrencilere makine öğrenimi alanında sağlam temel bilgi ve yetenekler kazandırmayı amaçlar.
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | |
| Uzmanlık / Alan Dersleri | |
| Destek Dersleri | X |
| Aktarılabilir Beceri Dersleri | |
| Beşeri, İletişim ve Yönetim Becerileri Dersleri |
Dersin Öğrenim Kazanımlarının Program Kazanımları ile Olan İlişkileri
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Program Yeterlilikleri | Düzey |
|---|---|---|
| P2 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi | 5 |
Dersin Öğrenim Kazanımları
| Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir: | |||
|---|---|---|---|
| No | Öğrenme Çıktıları | Prog. Yet. İlişkisi | Ölçme Yöntemi ** |
| Ö1 | Tahmine dayalı modelleme | P.2.21 | 1,7 |
| Ö2 | Veri Analizi | P.2.22 | 1,7 |
| Ö3 | Algoritma | P.2.23 | 1,7 |
| ** Yazılı Sınav: 1, Sözlü Sınav: 2, Ev Ödevi: 3, Lab./Sınav: 4, Seminer/Sunum: 5, Dönem Ödevi: 6, Uygulama: 7 | |||
Dersin Haftalık İçeriği
| Hafta | Konu |
|---|---|
| 1 | Lesson 1: Introduction to Machine Learning. |
| 2 | Lesson 2: Understanding Data Through Descriptive Statistics. (Analyzing Data) |
| 3 | Lesson 3: Understanding Data Through Visualization. (Analyzing Data) |
| 4 | Lesson 4: Pre-Processing Data. (Preparing Data) |
| 5 | Lesson 5: Feature Selection. (Preparing Data) |
| 6 | Lesson 6: Resampling Methods. (Evaluating Algorithms) |
| 7 | Lesson 7: Algorithm Evaluation Metrics. (Evaluating Algorithms) |
| 8 | Lesson 8: Spot-Checking Classification Algorithms. (Evaluating Algorithms) |
| 9 | Lesson 9: Spot-Checking Regression Algorithms. (Evaluating Algorithms) |
| 10 | Lesson 10: Model Selection. (Evaluating Algorithms) |
| 11 | Lesson 11: Pipelines. (Evaluating Algorithms) |
| 12 | Lesson 12: Ensemble Methods. (Improving Results) |
| 13 | Lesson 13: Algorithm Parameter Tuning. (Improving Results) |
| 14 | Lesson 14: Model Finalization. (Presenting Results) |
Ders Kitabı veya Malzemesi
| Kaynaklar | 1. Mitchell, T.M., Machine learning. 1997. |
| 2. Brownlee, J., Machine learning mastery with Python: understand your data, create accurate models, and work projects end-to-end. 2016: Machine Learning Mastery. |
Değerlendirme Yöntemi ve Geçme Kriterleri
| Yarıyıl Çalışmaları | Sayısı | Katkı (%) |
|---|---|---|
| Devam | - | - |
| Laboratuvar | - | - |
| Uygulama | - | - |
| Derse Özgü Staj (Varsa) | - | - |
| Ödev | - | - |
| Sunum | - | - |
| Projeler | - | - |
| Kısa sınav (Quiz) | - | - |
| Ara Sınavlar | 1 | 40 (%) |
| Yarıyıl Sonu Sınavı | 1 | 60 (%) |
| Toplam | 100 (%) | |
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 | 4 | 56 |
| Ara Sınav | 1 | 3 | 3 |
| 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 | 3 | 3 |
| Diğer | 14 | 4 | 56 |
| Toplam İş Yükü: | 160 | ||
| Toplam Yük / 30 | 5,33 | ||
| Dersin AKTS Kredisi: | 5 | ||
Ders - Öğrenme Çıktıları İlişkisi
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Öğrenme Çıktıları | P2 |
|---|---|---|
| Ö1 | Tahmine dayalı modelleme | 3 |
| Ö2 | Veri Analizi | 5 |
| Ö3 | Algoritma | 2 |