• ANASAYFA
• ÜNİVERSİTE HAKKINDA
  • İsim - Adres
  • Genel Bilgi
  • Üniversite Yönetimi
  • Akademik Takvim
  • Derece Programları
  • Yabancı Dilde Eğitim Veren Birimler
  • Genel Kabul ve Kayıt Koşulları
  • Kredi Hareketliliği ve Önceki Öğrenmenin Tanınması
  • AKTS Kredilerinin Belirlenmesi
  • Akademik Danışmanlık
  • İletişim
• DERECE PROGRAMLARI
  • Doktora Programları
  • Yüksek Lisans Programları
  • Lisans Programları
  • Önlisans Programları
• ÖĞRENCİ İÇİN GENEL BİLGİLER
  • Yaşam Standardı
  • Barınma
  • Beslenme
  • Sağlık
  • Engelli İçin Olanaklar
  • Sigorta
  • Finansal Destekler
  • Öğrenci İşleri Daire Başkanlığı
  • Uluslararası Öğrenciler için Pratik Bilgiler
  • Dil Kursları
  • Staj Olanakları
  • Sportif, Sosyal ve Kültürel Faaliyetler
  • Öğrenci Toplulukları ve Kulüpler
  • İzmir-Türkiye Hakkında
• ULUSLARARASI İLİŞKİLER
  • Dış İlişkiler Koordinatörlüğü
  • Kayıt İşlemleri
  • Anlaşmalar
  • Koordinatörler
  • Belgeler
  • Yabancı Dilde Eğitim Veren Birimler
  • AKTS/DE Etiketi

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS VYA 5022 Denetimli Makine Öğrenmesi ZORUNLU 3 0 0 6

Dersi Veren Birim

Veri Yönetimi ve Analizi Yüksek Lisans

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DR.ÖĞR.ÜYESİ SERKAN ARAS

Dersi Alan Birimler

Veri Yönetimi ve Analizi Yüksek Lisans

Dersin Amacı

Dersin amacı, öğrencilere Makine Öğrenme teknikleri içerisinde en yaygın olanlarının uygulama tabanlı olarak verilmesidir.

Dersin Öğrenme Kazanımları

1   R ve Python programlarında makine öğrenme tekniklerini uygulayabilme. 2   Dirençli makine öğrenme tahminleri yapabilme. 3   Makine öğrenme modelleri inşa edip, bunların herhangi bir problemi çözmede nasıl birleştirileceğini bilme. 4   Problem tipine göre hangi makine öğrenme modelinin seçileceğini bilme. 5   Veri madenciliği yazılımlarını kullanabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama 1 Veri önişleme tekniklerinin gözden geçirilmesi 2 Destek vektör makinesi 3 Destek vektör makinesi ile bilgisayar ortamında analiz 4 Kernel destek vektör makinesi arkasındaki mantık ve uygulaması 5 Naif bayes ve uygulaması 6 Karar ağaçları ile regresyon, sınıflandırma ve uygulaması 7 Rassal orman ile regresyon, sınıflandırma ve uygulaması 8 k-ortalamalar ve hiyerarşik kümeleme ve uygulaması 9 Yapay sinir ağları ve uygulaması 10 Derin öğrenme ve uygulaması 11 Bagging ile model çeşitlenmesi yapılması 12 Boosting ve XGBoost teknikleri ve uygulaması 13 Örnek Uygulamalar 14 Örnek Uygulamalar

Ders İçin Önerilen Kaynaklar

1. Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005). 2. Gökhan Silahtaroğlu, Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Papatya Yayıncılık (2008)

Öğrenme ve Öğretme Yöntemleri

1- Anlatım Metodu, 2-Uygulamalarla Gösterme Metodu, 3-Belirlenen Vakaların Tartışılarak Analizi Metodu

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL 1 ARS ARASINAV 2 YYC YARIYIL İÇİ ÇALIŞMA 3 YYS YARIYIL SONU SINAVI 4 YSBN YIL SONU BAŞARI NOTU ARS * 0.20 + YYC * 0.30 + YSS* 0.50 5 BUT BÜTÜNLEME 6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS * 0.20 + YYC * 0.30 + BUT* 0.50 *** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ara sınav notu, dönem içi çalışmalar ve Final notunun ağırlıklı ortalaması 75 ve üzeri olmalıdır.

Dersin Öğretim Dili

Türkçe

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 14 3 42 Haftalık Ders öncesi/sonrası hazırlıklar 10 3 30 Vize Sınavına Hazırlık 1 20 20 Final Sınavına Hazırlık 1 20 20 Ödev Hazırlama 5 5 25 Final Sınavı 1 3 3 Vize Sınavı 1 3 3 TOPLAM İŞ YÜKÜ (saat) 143

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK PK.1 PK.2 PK.3 PK.4 PK.5 PK.6 ÖK.1 1 ÖK.2 1 1 ÖK.3 1 ÖK.4 1 ÖK.5 1 1