DERS ADI

: Bulanık Mantıkla Uygulamalı Modelleme

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
CSC 5055 Bulanık Mantıkla Uygulamalı Modelleme SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

PROF.DR. EFENDİ NASİBOĞLU

Dersi Alan Birimler

Bilgisayar Bilimleri Yüksek Lisans
Bilgisayar Bilimleri Doktora

Dersin Amacı

Dersin amacı, uygulamalı modellerin bulanık mantığın alanında kullanımına bakış sunmaktır. Bulanık parametrelerin oluşturulmasında ve kullanımında anahtar teknikleri öğretmektir. Aynı zamanda, öğrencilere karar problemlerinde bulanık bilginin tanımı ve işlenmesi için hesaplama tekniklerinin sunulması amaçlanmaktadır.

Dersin Öğrenme Kazanımları

1   Matematiksel modellerde bulanık bilginin tanımlanması için teorik ve pratik bilgi ve becerilerin anlaşılması.
2   Modelleme sürecinde bulanık bilginin işlenmesinde temel matematik tekniklerin anlaşılması.
3   Bulanık bilgili temel karar tekniklerinin anlaşılması.
4   Bulanık sistemlerde kullanılan temel uygulama araçlarının anlaşılması.
5   Pratik bulanık sistem geliştirme yeteneğinin kazanılması

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Bulanık mantık, Esnek Hesaplama ve Sezgisel algoritmalar.
2 Bulanık İlişkiler, Bulanık Geçişlilik, Geçişliğin Kapanması, Geçişliğin Kapanması Algoritmaları.
3 OWA operatörleri ve Stres funksiyonları.
4 Proje 1
5 Bulanık Optimalleşme Problemleri, Bulanık Matris Kısıtlamalı Bidon Paketleme.
6 Bulanık mantıklı optimal rota planlama. Durak-durak, durak-hat, hat-hat ilişkilerinde bulanık derecelendirme.
7 Proje 2
8 Ara sunumlar
9 Bulanık Matematiksel Programlama Modelleri.
10 Proje 3
11 Bulanık uzaklık, Seviyelere Dayalı Ağırlıklı Ortalama (WABL) yöntemi
12 Bulanık Sıra İlişkisi. Bulanık Sıralama.
13 Bulanık Sayının Bulanık en yakın Yakınsaması
14 Proje 4

Ders İçin Önerilen Kaynaklar

Ana kaynak: Jang, J., Sun C., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, 1997.
Yardımcı kaynaklar: Larose D., Discovering knowledge in data: An introduction to data mining, J. Wiley & Sons, 2005.

Öğrenme ve Öğretme Yöntemleri

Ders, anlatım, sınıf sunumu ve tartışma biçiminde öğretilecek. Öğretilen dersin yanı sıra, öğrencilere gruplar halinde sunumlar hazırlatılacak ve tartışmalı oturumlar şeklinde sundurulacaktır. Dersin bazı haftalarında, daha önce verilen ödev sonuçları tartışılarak pekiştirilecektir.

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 PRJ PROJE
2 YSBN YIL SONU BAŞARI NOTU PRJ * 1


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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

İlan Edilecektir.

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 4 52
Final Sınavına Hazırlık 1 20 20
Ödev Hazırlama 2 25 50
Sunum Hazırlama 2 20 40
Final Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 203

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.1555
ÖK.2555
ÖK.3555
ÖK.4555
ÖK.5555