Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
EMT 2020	MAKİNE ÖĞRENME TEKNİKLERİ I	ZORUNLU	3	0	0	3

Dersi Veren Birim

Ekonometri

Dersin Düzeyi

Lisans

Ders Koordinatörü

PROF. DR. İPEK DEVECİ KOCAKOÇ

Dersi Alan Birimler

Ekonometri (İ.Ö)
Ekonometri

Dersin Amacı

Dersin amacı makine öğrenme tekniklerindeki temel kavramları tanıtmak, makine öğrenme tekniklerinde bulunan hiperparametrelerin hızlı ve doğru bir şekilde belirlenmesi ve makine öğrenme tekniklerini bir programlama dilinde uygulayabilmek için gerekli yeterliliğin kazandırılmasıdır.

Dersin Öğrenme Kazanımları

1	Makine öğrenme problemlerini tanımlayabilme.
2	Veri önişleme teknikleri hakkında bilgi sahibi olma.
3	Karar ağacı problemlerini modelleyebilme.
4	Optimale yakın hiperparametre değerlerini bulabilme.
5	Makine öğrenme problemlerinde bir programlama dilini kullanabilme.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Makine öğrenmesi nedir Makine öğrenmesi niçin kullanılır Kullanım alanlarına ait gerçek hayat uygulamalarına ait örneklerin tartışılması.
2	Makine öğrenme sistemleri hakkında bilgi verilmesi. Makine öğrenme problemlerinde karşılaşılan temel problemler.
3	Denetimli öğrenme, denetimsiz öğrenme, yarı denetimli öğrenme, pekiştirmeli öğrenme.
4	Aşırı uyum sağlama ve yetersiz öğrenme durumlarının tanıtılması.
5	Aşırı uyum sağlama probleminden kaçınmak için kullanılabilecek yöntemler. Eğitim, doğrulama ve test seti kavramları. Veri setinin ayrıştırılmasında kullanılan teknikler
6	Parametre ve hiperparametre tanımları. Hiperparametre optimizasyonu ve model seçimi.
7	Izgara arama yöntemi, rassal arama yöntemi ve bilgiye dayalı arama yöntemleri.
8	Makine öğrenme algoritmaları öncesi veri önişleme: Kayıp gözlemler, kategorik ve metin verilerinin kodlanması, değişken ölçeklendirme, veri işleme hattı oluşturulması.
9	Vize haftası
10	Vize haftası
11	Veri önişleme ve veri ayrıştırma tekniklerinin gerçek verilerle python programı üzerinde uygulanması.
12	Sınıflandırma ve tahminleme problemlerinde sıklıkla kullanılan performans ölçüleri.
13	Karar ağaçları algoritmasının tanımı, kullanılabileceği durumlar, önemli hiperparametreleri, çalışma prensibinin görselleştirilmesi.
14	Karar ağaçları algoritmasının python platformu üzerinde gerçek hayat sınıflandırma ve tahminleme problemlerine uygulanması.

Ders İçin Önerilen Kaynaklar

1. Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. " O'Reilly Media, Inc.".
2. Raschka, S., & Mirjalili, V. (2019). Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd.
3. Burkov, A. (2019). The hundred-page machine learning book (Vol. 1, p. 32). Quebec City, QC, Canada: Andriy Burkov.

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı ve laboratuvarda çalışma

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	QUZ	Quiz
2	ARS	Arasinav
3	YIN	Yarıyıliçi Notu	QUZ * 0.25 + ARS * 0.75
4	FN	YarıyılSonu Notu
5	BNS	BNS	YIN * 0.40 + FN * 0.60
6	BUT	Bütünleme Notu
7	BBN	Bütünleme Sonu Başarı Notu	YIN * 0.40 +BUT * 0.60

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar