DERS ADI

: Bulanık Kümeleme ve Sınıflandırma Teknikleri

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
CSC 5038 Bulanık Kümeleme ve Sınıflandırma Teknikleri 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 Doktora (İngilizce)
İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
Bilgisayar Bilimleri Yüksek Lisans
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
Biyomedikal Teknolojiler Yüksek Lisans (İngilizce)
Yapay Zeka ve Akıllı Sistemler Yüksek Lisans

Dersin Amacı

Dersin amacı, bulanık kümeleme ve bulanık sınıflandırma problemlerine bakış sunmaktır. Aynı zamanda, öğrencilere prototip temelli ve komşuluk temelli kümeleme için hesaplama tekniklerinin sunulması amaçlanmaktadır.

Dersin Öğrenme Kazanımları

1   Bulanık sınıflandırma ve kümeleme problemleri için teorik ve pratik bilgilerin anlaşılması.
2   Kümeleme ve sınıflandırma sürecinde bulanık bilginin işlenmesinde temel matematik tekniklerin anlaşılması
3   Bulanık kümeleme ve sınıflandırma kullanılarak temel karar tekniklerinin anlaşılması.
4   Bulanık kümelemede ve sınıflandırmada kullanılan temel uygulama araçlarının anlaşılması.
5   Kümeleme ve sınıflandırma kullanımıyla 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 kümeleme ve sınıflandırmaya giriş.
2 K-ortalamalar ve Bulanık C-ortalamalar metodları.
3 Proje 1
4 DBSCAN ve FN-DBSCAN algoritmaları.
5 Proje 2
6 Bulanık Birleşik Noktalar (FJP) ve Gürültüye DayanıklıBulanık Birleşik Noktalar (NR-FJP) kümeleme algoritmaları.
7 Güncellenmiş FJP ve Optimal FJP algoritmaları.
8 Ara sınav
9 Bulanık karar ağaçları.
10 K-en yakın komşuluk (K-NN) ve Bulanık K-en yakın komşuluk (Fuzzy-KNN)
11 Proje 3
12 CxK-En yakın komşuluk (CxKNN) algoritması.
13 OWA uzaklığı, OWA uzaklığına dayalı CxKNN
14 Proje 4

Ders İçin Önerilen Kaynaklar

Ana kaynak: Höppner F., Klawonn F., Kruse R., Runkler T., Fuzzy Cluster Analysis: Methods for Classification, Data Analysis and Image Recognition, Wiley, 1999.
Yardımcı kaynaklar: Larose D., Discovering knowledge in data: An introduction to data mining, J. Wiley & Sons, 2005.

Güncel literatür kaynakları.

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 4 15 60
Sunum Hazırlama 4 5 20
Final Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 193

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.15555
ÖK.25555
ÖK.35555
ÖK.45555
ÖK.55555