GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BVA122 | MAKİNE ÖĞRENMESİ | Ders | 1 | 2 | 5,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu ders, öğrencilere makine öğrenmesinin temel kavramlarını, algoritmalarını ve uygulama alanlarını tanıtmayı amaçlar. Öğrenciler, Python programlama dili kullanarak veri setleri üzerinde denetimli ve denetimsiz öğrenme tekniklerini uygular. Bu dersin amacı, öğrencilerin makine öğrenmesi yöntemlerini anlayarak veri analizi, model oluşturma ve sonuç yorumlama becerilerini geliştirmelerini sağlamaktır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Öğr. Gör. H. Hazel Aras
Öğrenme Çıktıları
| 1 | Makine öğrenmesi kavramlarını tanımlar. |
| 2 | Veri ön işleme tekniklerini uygular. |
| 3 | Denetimli ve denetimsiz öğrenme algoritmalarını açıklar. |
| 4 | Python programlama diliyle ML modelleri geliştirir. |
| 5 | Model sonuçlarını analiz eder ve değerlendirir. |
| 6 | Takım çalışması ve proje yönetimi becerilerini kullanır. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Ders İçin Önerilen Diğer Hususlar
Ders sırasında öğrencilerin Jupyter Notebook veya Google Colab ortamlarını kullanmaları önerilir.
Dersin İçeriği
Makine öğrenmesine giriş, veri ön işleme, denetimli ve denetimsiz öğrenme, sınıflandırma, regresyon, kümeleme algoritmaları, model değerlendirme metrikleri ve Python ile uygulamalar.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Uygulama | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|---|
| 1 | Makine öğrenmesine giriş | Python ortamı kurulumu | Anlatım, tartışma | Python ortamı hakkında temel bilgiler edinme |
| 2 | Veri türleri, veri ön işleme | Pandas, NumPy kullanımı | Anlatım, örnek veri inceleme | Pandas ve NumPy kütüphanelerini araştırma |
| 3 | Denetimli öğrenmeye giriş | Basit regresyon örnekleri | Anlatım | Regresyon kavramını okuma |
| 4 | Regresyon algoritmaları | Linear & Polynomial Regression | Anlatım, örnek açıklama | Lineer regresyon örneklerini inceleme |
| 5 | Sınıflandırma algoritmaları | KNN, Decision Tree | Kodlama | Scikit-learn dokümantasyonu |
| 6 | Model değerlendirme | Accuracy, Precision, Recall | Sunum + Kodlama | Değerlendirme metriklerini inceleme |
| 7 | Kümeleme algoritmaları | K-Means uygulaması | Grup çalışması | Kümeleme kavramlarını gözden geçirme |
| 8 | Boyut indirgeme teknikleri | PCA örneği | Kodlama | PCA teorisini okumak |
| 9 | Derin öğrenmeye giriş | Basit yapay sinir ağı | Kodlama | Yapay sinir ağı yapısını inceleme |
| 10 | Model optimizasyonu ve overfitting | Regularization, Dropout | Kodlama | Hata metriklerini gözden geçirme |
| 11 | Proje çalışması | Veri seti seçimi ve veri ön işleme | Grup çalışması | Proje planlaması ve veri setlerini inceleme |
| 12 | Proje geliştirme | Model kurma ve uygulama | Grup çalışması ve rehberlik | Önceki algoritmaları tekrar gözden geçirme |
| 13 | Proje değerlendirme | Model sonuçlarının analiz edilmesi | Sunum + Kodlama | Değerlendirme kriterlerini inceleme |
| 14 | Proje sunumları ve geri bildirim | Sunumlar ve sınıf içi tartışma | Sunum + Tartışma | Sunum materyallerini hazırlama |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow. O’Reilly. Alpaydin, E. (2020). Introduction to Machine Learning. MIT Press. Çeşitli açık kaynak Python dokümantasyonları ve veri setleri (Kaggle, UCI ML Repository).
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 75 |
| Laboratuvar Ara Sınavı | 1 | 25 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 50 |
| Proje Sunma | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 50 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 50 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Quiz | 10 | 2 | 20 |
| Derse Katılım | 14 | 2 | 28 |
| Uygulama Sınavı | 1 | 1 | 1 |
| Derse Katılım (Uygulama) | 14 | 2 | 28 |
| Proje Hazırlama | 5 | 2 | 10 |
| Proje Sunma | 2 | 2 | 4 |
| Proje Tasarımı /Yönetimi | 5 | 2 | 10 |
| Ara Sınav İçin Bireysel Çalışma | 7 | 2 | 14 |
| Laboratuvar Ara Sınavı | 1 | 1 | 1 |
| Laboratuvar Sınavı | 1 | 1 | 1 |
| Toplam İş Yükü (saat) | 119 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | |
| ÖÇ 1 | 5 | ||||||||||||||
| ÖÇ 2 | 5 | 5 | |||||||||||||
| ÖÇ 3 | 5 | 5 | 5 | 5 | 5 | ||||||||||
| ÖÇ 4 | 5 | 5 | 5 | ||||||||||||
| ÖÇ 5 | 5 | ||||||||||||||
| ÖÇ 6 | 5 | 5 | 5 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek