DERS ADI

: Makine Öğrenmesi Algoritmaları

DERECE PROGRAMLARI

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
EKO 6058 Makine Öğrenmesi Algoritmaları SEÇMELİ 3 0 0 6

Dersi Veren Birim

Ekonometri Doktora

Dersin Düzeyi

Doktora

Ders Koordinatörü

DOÇ.DR. MURAT TANIK

Dersi Alan Birimler

Ekonometri Doktora

Dersin Amacı

Makine öğrenmesi algoritmaları hakkında bilgi vermektir. Gözetimli ve gözetimsiz öğrenme algoritmalarının teorik yapısı anlatılarak, bilgisayar ortamında uygulaması yapılacaktır

Dersin Öğrenme Kazanımları

1   Makine öğrenmesi algoritmaları hakkında temel kavramları öğrenme
2   Optimizasyon algoritmalarının makine öğrenmesi içinde kullanımını anlama
3   Gözetimli öğrenme kavramını anlayarak, yöntemlerin teorisini öğrenme ve uygulayabilme
4   Gözetimsiz öğrenme yöntemlerinin teorik yapısını anlama ve uygulayabilme
5   Gerçek veriler üzerinde uygun yöntemleri seçerek uygulayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Makine öğrenmesi ve temel kavramlar
2 Optimizasyon algoritmaları: Gradyan iniş ve Newton Algoritmaları
3 Öğrenme Algoritmalarının incelenmesi: Model seçimi ve eğitim/doğrulama/test
4 Sapma/Varyans ve Öğrenme Eğrileri
5 Gözetimli Öğrenme ve Sınıflandırma Algoritmaları
6 Destek Vektör Makineleri (SVM), Çekirdek (Kernel) Fonksiyonları
7 En Yakın Komşuluk Algoritması
8 C5.0 Sınıflandırma Algoritması
9 Karar Ağaçları ve Bilgisayar Uygulaması
10 Topluluk Öğrenmesi (Ensemble Learning) Algoritmaları
11 Boosting Algoritmaları: AdaBoost, Gradyan Boosting (GBM), Aşırı-Gradyan Boosting (XGBoost)
12 Bagging Algoritması: Bagging meta-tahmincisi, Rassal Orman (Random Forest)
13 Optimizasyon Tabanlı Meta Öğrenme ve Çok Amaçlı Optimizasyon
14 Örnek uygulamalar

Ders İçin Önerilen Kaynaklar

Smola, Alex, and S. V. N. Vishwanathan. "Introduction to machine learning." Cambridge University, UK 32.34 (2008): 2008.
Friedman, Jerome, Trevor Hastie, and Robert Tibshirani. The elements of statistical learning. Vol. 1. No. 10. New York: Springer series in statistics, 2001.
David, S., and Shai Shalev Shwartz. "Understanding Machine Learning: From Theory to Algorithms." Understanding Machine Learning: From Theory to Algorithms (2014).
Alpaydin, Ethem. Machine learning: the new AI. MIT press, 2016.

Öğrenme ve Öğretme Yöntemleri

Anlatım Methodu, Soru-Cevap Methodu, Tartışma Metodu ve Problem Çözme Methodu- Uygulamalar

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ARS ARASINAV
2 YYC YARIYIL İÇİ ÇALIŞMA
3 YYS YARIYIL SONU SINAVI
4 YYBN YARIYIL SONU BAŞARI NOTU ARS * 0.40 + YYC* 0.20 + YYS * 0.40
5 BUT BÜTÜNLEME
6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS * 0.40 + YYC * 0.20 + BUT* 0.40


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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

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)
TOPLAM İŞ YÜKÜ (saat) 0

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9
ÖK.1222222111
ÖK.2222222222
ÖK.3222221112
ÖK.4222222222
ÖK.5222222222

İLETİŞİM BİLGİLERİMİZ
Dokuz Eylül Üniversitesi Cumhuriyet Bulvarı No: 144 35210 Alsancak / İZMİR
Telefon: +90(232) 412 12 12 - Faks: +90 (232) 464 81 35

Copyright 2015 DEÜ. BİD

ANASAYFA / ÜNİVERSİTE HAKKINDA / DERECE PROGRAMLARI / ÖĞRENCİ İÇİN GENEL BİLGİLER / ULUSLARARASI İLİŞKİLER