DERS ADI

: İSTATİKSEL ÖRÜNTÜ TANIMA

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
EEE 5073 İSTATİKSEL ÖRÜNTÜ TANIMA SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DR.ÖĞR.ÜYESİ HATİCE DOĞAN

Dersi Alan Birimler

İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
Biyomedikal Teknolojiler Yüksek Lisans (İng)
Elektrik ve Elektronik Mühendisliği Yüksek Lisans
Elektrik ve Elektronik Mühendisliği Bütünleşik Doktora
Elektrik ve Elektronik Mühendisliği Doktora

Dersin Amacı

Bu ders istatistiksel örüntü tanımanın temel teorilerini, algoritmalarını ve pratik uygulamalarını tanıtmayı amaçlamaktadır.

Dersin Öğrenme Kazanımları

1   İstatistiksel örüntü tanıma sistemlerinin prensiplerini ve kavramlarını anlayabilmek
2   Veriden ayırt edici öznitelikleri çıkarabilmek
3   Verilen bir sınıflandırma problemi için en uygun sınıflayıcıyı seçebilmek
4   Eğiticili ve eğiticisiz öğrenme ile genelleme yeteneğinin ilkelerini açıklayabilmek
5   Verilen bir problem için örüntü tanıma sistemi tasarlayabilmek ve başarımını değerlendirebilmek

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Örüntü tanımaya giriş
2 İstatistiksel Karar Teorisi-I
3 İstatistiksel Karar Teorisi-II (Ödev)
4 Parametre Kestirimi
5 Boyut Problemleri (Ödev)
6 Bileşen analizi ve ayırdediciler
7 Parametrik olmayan teknikler (Ödev)
8 Doğrusal ayırıcı fonksiyonlar
9 Ara sınav
10 Destek vector makineleri (Ödev)
11 Yapay Sinir Ağları
12 Karar Ağaçları (Ödev)
13 Algoritmadan bağımsız makineyle öğrenme
14 Eğiticisiz öğrenme ve öbekleme (Ödev)

Ders İçin Önerilen Kaynaklar

Ana Kaynak:
Pattern Classification: R.O. Duda, P.E. Hart, D.G. Stork 2. Baskı, Wiley, 2000.

Yardımcı Kaynaklar:
Neural networks for pattern recognition : C. M. Bishop, Oxford University Press, 1995.
Statistical Pattern Recognition: A. Webb, 2. Baskı, Wiley, 2002.
Introduction to Machine Learning: E. Alpaydın, MIT Press, 2004.
Introduction to Statistical Pattern Recognition, K. Fukunaga, Academic Press, 1990.
Pattern Recognition: Statistical, Structural and Neural Approaches, R. Schalkoff, John Wiley & Sons, Inc., 1992.
Algorithms for Clustering Data, A. K. Jain, R. C. Dubes, Prentice Hall, 1988.
Pattern Recognition, S. Theodoridis, K. Koutroumbas, 3rd edition, Academic Press, 2006.

Öğrenme ve Öğretme Yöntemleri

Ders içeriği sunumlar aracılığıyla verilecektir.

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ARS ARASINAV
2 ODV ÖDEV
3 YSS YIL SONU SINAVI
4 YSBN YIL SONU BAŞARI NOTU ARS * 0.25 + ODV *0.25 +YSS *0.50
5 BUT BÜTÜNLEME
6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS * 0.25 + ODV *0.25 +BUT *0.50


*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Öğrenme çıktıları sınavlar ve ödevler ile değerlendirilecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

hatice.dogan@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

İlan Edilecektir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Anlatımı 13 3 39
Haftalık Ders öncesi/sonrası hazırlıklar 13 5 65
Final Sınavına Hazırlık 1 20 20
Vize Sınavına Hazırlık 1 15 15
Ödev Hazırlama 6 8 48
Final Sınavı 1 3 3
Vize Sınavı 1 3 3
TOPLAM İŞ YÜKÜ (saat) 193

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10PK.11PK.12PK.13PK.14
ÖK.14
ÖK.23234
ÖK.32234
ÖK.44
ÖK.52234