Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
EMT 3024	MAKİNE ÖĞRENME TEKNİKLERİ II	ZORUNLU	3	0	0	5

Dersi Veren Birim

Ekonometri

Dersin Düzeyi

Lisans

Ders Koordinatörü

DOÇ. DR. SERKAN ARAS

Dersi Alan Birimler

Ekonometri (İ.Ö)
Ekonometri

Dersin Amacı

Dersin amacı temel makine öğrenme algoritmalarını öğrencilere vererek, hangi tür algoritmaları hangi tip problemlerde kullanabileceklerini anlamalarına yardımcı olmak bu algoritmaları karşılaştıkları gerçek hayat problemlerinde etkin şekilde kullanabilmelerini sağlamaktır.

Dersin Öğrenme Kazanımları

1	Makine öğrenme algoritmalarının temel prensibini anlayabilmek.
2	Basit topluluk öğrenme yöntemlerini tanımlayabilmek.
3	Makine öğrenme algoritmaları ile iyi tahminler üretebilmek.
4	Gerçek hayatta karşılaşılan sorunlara çözüm bulabilmek.
5	Yaygın olarak karşılaşılan makine öğrenmesi problemlerine yönelik bir programlama dili uygulayabilmek.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Naive Bayes algoritmasının tanımlanması ve uygulama alanları.
2	Naive Bayes algoritmasının gerçek verilerle bilgisayar dili ile uygulanması.
3	Rassal ormanlar algoritmasının tanıtılması, önemli hiperparametreleri ve uygulama alanları.
4	Rassal ormanlar algoritmasının gerçek verilerle bilgisayar dili ile uygulanması.
5	Lojistik regresyon modeli, hiperparametrelerine ait uygun değerlerin veri ayrıştırma teknikleri ile bulunması ve bilgisayar dili ile uygulanması.
6	Karar destek makineleri modelinin tanımlanması, sınıflandırma ve tahminleme uygulamaları açısından ele alınması.
7	Karar destek makineleri modelinin uygulandığı problemlerin bilgisayar dili ile uygulanması.
8	Basit topluluk öğrenme metotları ve uygulamalarının gerçekleştirilmesi.
9	Vize Haftası
10	Vize Haftası
11	Özyinelemeli birleştirme (bagging) ve Güçlendirme (Boosting) algoritmalarının tanıtılması ve basit örneklerle uygulanması.
12	Denetimsiz öğrenme teknikleri: k-ortalamalar algoritması ve bilgisayar dili ile uygulanması.
13	DBSCAN algoritması ve bilgisayar dili ile uygulanması.
14	Diğer denetimsiz öğrenme teknikleri.

Ders İçin Önerilen Kaynaklar

- 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.".
- Raschka, S., & Mirjalili, V. (2019). Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd.
- Burkov, A. (2019). The hundred-page machine learning book (Vol. 1, p. 32). Quebec City, QC, Canada: Andriy Burkov.

Öğrenme ve Öğretme Yöntemleri

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	ARS	Arasınav
2	YIN	Yarıyıliçi notu	ARS * 1
3	FN	Yarıyılsonu sınavı
4	BNS	BNS	YIN * 0.40 + FN * 0.60
5	BUT	Bütünleme Notu
6	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