DERS ADI

: Makine Öğrenmesinde İstatistiksel Yöntemler

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
STA 5112 Makine Öğrenmesinde İstatistiksel Yöntemler SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ. DR. İDİL YAVUZ

Dersi Alan Birimler

İstatistik Doktora (İngilizce)
İstatistik Yüksek Lisans (İngilizce)
İstatistik Bütünleşik Doktora (İngilizce)

Dersin Amacı

Büyük, yüksek boyutlu ve yüksek frekanslı (zaman zaman akışlı) verilerin yükselişiyle birlikte, makine öğrenme yöntemleri birçok alanda tahmin ve sınıflandırma amaçları için kaçınılmaz olarak gerekli hale gelmiştir. Bu ders, altında kullanılan istatistiksel kavramlara odaklanarak popüler makine öğrenme yöntemlerine bir giriş yapmayı amaçlamaktadır. Bu hedefi akılda tutarak, esasen denetimli istatistiksel öğrenme tartışılacak, ancak kümelenme de ele alınacaktır. Ders, tahminleme yaklaşımları (spline'lar, toplamsal modeller ve GAM, regresyon ağaçları, sinir ağları, k-en yakın komşu), sınıflandırma araçları (destek vektör makineleri ve rassal ormanlar) ve kümelemeyi; parametre kestirimi, çıkarsama ve model ve değişken seçimi gibi istatistiksel kavramları yakından takip ederek tanıtacaktır.

Dersin Öğrenme Kazanımları

1   Çapraz doğrulama ve bootstrap yardımı ile model tanılama
2   Eldeki yanıt değişkeni için uygun modelleri ve değişkenleri seçme ve istatistiksel yöntemleri kullanarak gerekli parametreleri tahmin edip ve çıkarsama yapma
3   Tahminleme için spline, toplamsal modeller ve GAM, regresyon ağaçları, NN ve KNN uygulama
4   Sınıflandırma için destek vektör makineleri ve rassal ormanlar uygulama
5   Kümeleme gerçekleştirme
6   Derste kapsanan yöntemleri uygulamak için R kullanma

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Makine öğrenmesine karşı istatistik: Büyük örneklem genişliği, yüksek boyut, çok değişkenli yanıtlar
2 Veri bölme, çapraz doğrulama ve bootstrap
3 Model ve değişken seçimi, yanlılık-varyans dengesi
4 Büzülme yöntemleri
5 Tahminleme: K-En Yakın Komşu
6 Tahminleme: Spline'lar
7 Tahminleme: Toplamsal Modeller ve GAM
8 Tahminleme: Regresyon Ağaçları
9 Tahminleme: Yapay Sinir Ağları
10 Sınıflandırma: Destek Vektör Makineleri
11 Sınıflandırma: Rassal Ormanlar
12 Kümeleme: Uzaklık ve benzerlik
13 Kümeleme: K-ortalamalar
14 Kümeleme: Hiyerarşik yöntemler

Ders İçin Önerilen Kaynaklar

Ana kaynaklar:
Data Analysis and Data Mining: An Introduction, Adelchi Azzalini and Bruno Scarpa, Oxford, 2012

An Introduction to Statistical Learning, with Application in R , G. James, D. Witten, T. Hastie and R. Tibshirani, Springer, 2013

Yardımcı kaynaklar:
The Elements of Statistical Learning, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2001

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, ödev ve sunumlar.

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 *0.35 + ODV *0.25 +YSS *0.4
5 BUT BÜTÜNLEME
6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS *0.35 + ODV *0.25 +BUT *0.40


Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ödevlerin, sunumların ve sınavların değerlendirilmesi.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

Dönem boyunca derslerin %70'ine devam etme zorunluluğu bu ders için temel bir gerekliliktir ve sorumluluğu öğrenciye aittir. Ders saatine ve ödev teslimi ile ilgili belirtilen zamana uyulmalıdır. Derslerde ve sınavlarda meydana gelebilecek etik olmayan davranışlar konusunda ilgili yönetmelik çerçevesinde hareket edilecektir. D.E.Ü. Fen Bilimleri Enstitüsü öğretim ve sınav uygulama esasları yönetmeliğine http://www.fbe.deu.edu.tr adresinden ulaşabilirsiniz.

Dersin Öğretim Üyesi İletişim Bilgileri

e-posta: idil.yavuz@deu.edu.tr

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 14 3 42
Haftalık Ders öncesi/sonrası hazırlıklar 14 3 42
Vize Sınavına Hazırlık 1 25 25
Final Sınavına Hazırlık 1 30 30
Ödev Hazırlama 2 25 50
Sunum Hazırlama 1 15 15
Final Sınavı 1 2 2
Vize Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 208

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.145
ÖK.24553533
ÖK.3555333
ÖK.4555533
ÖK.55543
ÖK.6533