Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
EEE 5073	İstatiksel Örüntü Tanıma	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

Dersi Alan Birimler

İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
Elektrik ve Elektronik Mühendisliği Bütünleşik Doktora (İngilizce)
Biyomedikal Teknolojiler Yüksek Lisans (İngilizce)
Elektrik ve Elektronik Mühendisliği Yüksek Lisans (İngilizce)
Yapay Zeka ve Akıllı Sistemler Yüksek Lisans
Elektrik ve Elektronik Mühendisliği Doktora (İngilizce)

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