DERS ADI

: ÖRÜNTÜ TANIMAYA GİRİŞ

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
CME 4410 ÖRÜNTÜ TANIMAYA GİRİŞ SEÇMELİ 2 2 0 6

Dersi Veren Birim

Bilgisayar Mühendisliği (İngilizce)

Dersin Düzeyi

Lisans

Ders Koordinatörü

DR. ÖZLEM ÖZTÜRK

Dersi Alan Birimler

Bilgisayar Mühendisliği (İngilizce)

Dersin Amacı

Bu dersin amacı bir bilgisayarın örneklerden gürültülü veri setleri içindeki modelleri tanıyabilmesini sağlamaktır.

Dersin Öğrenme Kazanımları

1   Ne zaman, nerede ve nasıl örüntü tanıma yapabileceğini belirler.
2   Örüntü tanıma problemlerine Bayesian Karar Teoremi uygulayabilir.
3   Parametrik kestirim yaparak sınıflandırma yapabilir.
4   Parzen-pencereleri ve K-en yakın komşuluk gibi parametrik olmayan yöntemler kullanarak örüntü tanıma gerçekleştirebilir.
5   Çeşitli örüntü tanıma problemlerinde doğrusal ayırdedici fonksiyonlar uygulayabilir.
6   Çok katmanlı sinir ağlarının prensiplerini bilir ve çeşitli problemlerde kullanır.
7   Denetimsiz öğrenme yöntemlerinden KOrtalamalar yöntemiyle kümeleme yapar.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Örüntü Tanımaya Giriş
2 Olasılık Teorisinin Tekrarı
3 Bayes Parametre Kestirimi
4 Normal Yoğunluk ve Ayrıştırıcı Fonksiyonlar
5 En Yakın Benzerlik ve Bayes Parametre Kestirimi
6 Fisher Doğrusal Ayrıştırıcı (Discriminant), Beklenti Eniyileme
7 Parametrik Olmayan Yöntemler
8 Soru Çözümü
9 Mesafe Tabanlı Yöntemler, En Yakın Komşuluk Sınıflayıcısı
10 Doğrusal Ayrıştırıcı Fonksiyonlar
11 Unsupervised Öğrenme
12 Kümeleme
13 Öğrenci Sunumları
14 Soru Çözümü

Ders İçin Önerilen Kaynaklar

Ana Kaynak: Duda R. O., Hart P. E., Stork D. G., (2001), Pattern Classification, John Wiley and Sons.
Yardımcı Kaynaklar: C. M. Bishop, (2006), Pattern Recognition and Machine Learning, Springer.

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, problem çözümü, sunum, dönem ödevi, laboratuvar uygulamaları

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 VZ Vize
2 LAB Laboratuvar
3 FN Final
4 BNS BNS VZ * 0.30 + LAB * 0.20 + FN * 0.50
5 BUT Bütünleme Notu
6 BBN Bütünleme Sonu Başarı Notu VZ * 0.30 + LAB * 0.20 + BUT * 0.50


Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Tüm öğrenme çıktıları vize ve final sınavıyla değerlendirilecektir.
Laboratuvar uygulamalar ve dönem projesi öğrenme çıktılarının gerçek problemlerle değerlendirilmesine olanak sağlayacaktır.




Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

Özlem Öztürk
Bilgisayar Mühendisliği Bölümü
Dokuz Eylül Üniversitesi
Tınaztepe Kampüsü,
Kaynaklar-Buca
İzmir
ozlem.ozturk@cs.deu.edu.tr
+90 232 3017417

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Dönem içinde belirlenecektir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Uygulama 14 2 28
Ders Anlatımı 14 2 28
Vize Sınavına Hazırlık 1 4 4
Final Sınavına Hazırlık 1 6 6
Sunum Hazırlama 1 22 22
Haftalık Ders öncesi/sonrası hazırlıklar 14 2 28
Laboratuvar'a Hazırlık 5 4 20
Vize Sınavı 1 1 1
Final Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 139

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.1334
ÖK.2443
ÖK.34344
ÖK.4434
ÖK.54434
ÖK.6443
ÖK.7434