Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
CSE 5007	Makina Öğrenmesi ve Akıl Yürütme	SEÇMELİ	3	0	0	9

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

PROF.DR. RECEP ALP KUT

Dersi Alan Birimler

İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
Bilgisayar Mühendisliği Tezsiz Yüksek Lisans (İ.Ö) (İngilizce)
Bilgisayar Mühendisliği Tezsiz Yüksek Lisans (İngilizce)
Biyomedikal Teknolojiler Yüksek Lisans (İngilizce)
Bilgisayar Mühendisliği Bütünleşik Doktora (İngilizce)
Yapay Zeka ve Akıllı Sistemler Yüksek Lisans
Bilgisayar Mühendisliği Doktora (İngilizce)
Bilgisayar Mühendisliği Yüksek Lisans (İngilizce)

Dersin Amacı

Makine öğrenme algoritmaları endüstriyel uygulamalar, ticari veri analizi ve özellikle veri madenciliği uygulamalarında önemli bir rol oynamaktadır. Bu dersin amacı, öğrencilere makine öğrenme algoritmaları ile ilgili hem teorik hem de gerçek verisetleri ile pratik uygulama bilgiler vermektir. Bu ders, bilgisayarla görme, doğal dil işleme, veri madenciliği, biyoinformatik ve robotik alanlarında makine öğrenmesini kullanma ile ilgili araştırmalar yapan lisansüstü öğrencileri için tasarlanmıştır.

Dersin Öğrenme Kazanımları

1	Öğrenmenin üç türünü (denetimli, takviye ve denetimsiz) tanımlayabilme
2	Temel öğrenme tekniklerini (Karar ağaçları, Bayes Öğrenme, Yapay Sinir Ağları, Genetik Algoritmalar vb) tanımlayabilme
3	Belirli bir problemi çözmek için hangi makine öğrenme tekniğinin uygun olduğunu belirleyebilme
4	Bir makine öğrenme modeli tasarlayabilme
5	Basit bir makine öğrenme algoritmasını uygulayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Makine Öğrenmesi Giriş
2	Makine Öğrenmesi temel kavramları ve konuları
3	Öğrenme (Denetimli, Denetimsiz, Takviyeli)
4	Gerçek makine öğrenme uygulamaları
5	Bayes Öğrenme: Bayes Teoremi, Naive Bayes Sınıflandırıcı
6	Karar Ağacı Öğrenmesi
7	Yapay Sinir Ağları
8	Genetik Algoritma
9	Örnek Tabanlı Öğrenme: K-En Yakın Komşu
10	Takviyeli Öğrenme
11	Denetimsiz Öğrenme: Kümeleme
12	Öz Düzenleyici Özellik Haritası
13	Sunumlar
14	Sunumlar

Ders İçin Önerilen Kaynaklar

Ana kaynak: Ethem ALPAYDIN, Introduction to Machine Learning, The MIT Press, first edition 2004, second edition 2010.

Yardımcı kaynak: Igor Kononenko, Matjaz Kukar (2007) Machine Learning and Data Mining: Introduction to Principles and Algorithms, Horwood Publishing Limited, 454 pages.

Öğrenme ve Öğretme Yöntemleri

Ders Anlatımı,
Araştırma,
Uygulama Geliştirme,
Sunum,
Dönem Projesi

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	ODV	ÖDEV
2	SUN	SUNUM
3	YSBN	YIL SONU BAŞARI NOTU	ODV * 0.50 + SUN * 0.50

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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ders sonuçları, öğrencinin bir konu üzerine yaptığı sunum ve öğrenci tarafından hazırlanan proje ve raporu ile değerlendirilecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

Prof.Dr. R. Alp KUT
Dokuz Eylül Üniversitesi
Bilgisayar Mühendisliği Bölümü
Tınaztepe Yerleşkesi 35160 BUCA/İZMİR
Tel: (232) 301 74 01
E-Posta: alp@cs.deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Perşembe 9:00 - 10:00

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	14	3	42
Haftalık Ders öncesi/sonrası hazırlıklar	14	2	28
Proje Hazırlama	1	65	65
Sunum Hazırlama	1	50	50
Rapor hazırlama	1	40	40
TOPLAM İŞ YÜKÜ (saat)			225

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.3	PK.4	PK.5	PK.6	PK.7	PK.8	PK.10
ÖK.1	4	3						3
ÖK.2	4	5						3
ÖK.3					5		1
ÖK.4			4					1	2
ÖK.5			4	2		1

DERS ADI

DERECE PROGRAMLARI