GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| EEMDR612 | ÖRÜNTÜ TANIMA | Seçmeli Ders Grubu | 1 | 1 | 5,00 |
Dersin Seviyesi
Doktora
Dersin Sunulduğu Dil
Dersin Amacı
Bu ders öğrencilere makine öğrenmesini/örüntü tanımada kullanılan yöntemleri matematiksel olarak daha derin bir şekilde öğretecektir. Öğrenciler kendi yazacakları programlarla ve araştırma ile pratik ve teorik tecrübe kazanacaklardır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Doç. Dr. Muhammet Emin ŞAHİN
Öğrenme Çıktıları
| 1 | Bir problemin çözümü için örüntü tanıma yöntemi önerebilme |
| 2 | Değişik örüntü tanıma yöntemlerinin performanslarını analiz edebilme |
| 3 | Değişik örüntü tanıma yöntemlerinin sonuçlarını birleştirebilme |
| 4 | Değişik örüntü tanıma yöntemlerinin teorik ve algoritmik olarak nasıl çalıştıklarını anlayabilme |
| 5 | Değişik örüntü tanıma yöntemlerini öğrenebilme |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Giriş, matematiksel altyapı tekrarı; Örüntü tanımanın temelleri; Olasılık dağılımları; Regresyon için lineer modeller; Sınıflandırma için lineer modeller; Yapay Sinir Ağları; Çekirdek Yöntemleri; Spars Çekirdek Yöntemleri; Çizgesel Modeller; Karışım modelleri ve EM; Sürekli Bağımlı Değişkenler; Modellerin Birleştirilmesi; Sıralı veri; Yaklaşık olarak çıkarsama; Örnekleme yöntemleri
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Giriş, matematiksel altyapı tekrarı; | Teorik ve Problem Çözme | yok |
| 2 | Örüntü tanımanın temelleri; | Teorik ve Problem Çözme | yok |
| 3 | Olasılık dağılımları; | Teorik ve Problem Çözme | yok |
| 4 | Olasılık dağılımları; | Teorik ve Problem Çözme | yok |
| 5 | Sınıflandırma için lineer modeller; | Teorik ve Problem Çözme | yok |
| 6 | Yapay Sinir Ağları; | Teorik ve Problem Çözme | yok |
| 7 | Çekirdek Yöntemleri; | Teorik ve Problem Çözme | yok |
| 8 | Çizgesel Modeller; | Teorik ve Problem Çözme | yok |
| 9 | Sürekli Bağımlı Değişkenler; | Teorik ve Problem Çözme | yok |
| 10 | Proje Sunumları | Teorik ve Problem Çözme | yok |
| 11 | Proje Sunumları | Teorik ve Problem Çözme | yok |
| 12 | Proje Sunumları | Teorik ve Problem Çözme | yok |
| 13 | Proje Sunumları | Teorik ve Problem Çözme | yok |
| 14 | Proje Sunumları | Teorik ve Problem Çözme | yok |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. Bishop, C., 2006. Pattern Recognition and Machine Learning, Springer. 2. Alpaydin, E. , 2004 .Introduction to Machine Learning (Adaptive Computation and Machine Learning), The MIT Press. 3. Duda, O. R., Hart, E. R., Stork, D. G., 2000. Pattern Classification, 2nd Edition, Wiley.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 40 |
| Quiz | 2 | 60 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 3 | 42 |
| Uygulama/Pratik | 4 | 6 | 24 |
| Bireysel Çalışma | 3 | 6 | 18 |
| Final Sınavı içiin Bireysel Çalışma | 2 | 4 | 8 |
| Okuma | 3 | 6 | 18 |
| Quiz için Bireysel Çalışma | 2 | 8 | 16 |
| Toplam İş Yükü (saat) | 127 | ||
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 | |
| ÖÇ 1 | 2 | |||||||||
| ÖÇ 2 | 4 | 2 | ||||||||
| ÖÇ 3 | 2 | |||||||||
| ÖÇ 4 | 1 | |||||||||
| ÖÇ 5 | 3 | 3 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek