GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BMYL507 | OPTİMİZASYON VE SINIFLANDIRMA ALGORİTMALARI | Seçmeli Ders Grubu | 1 | 1 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, optimizasyon problemlerini çözme tekniklerini ve sınıflandırma algoritmalarını öğretmektir. Özellikle çok amaçlı optimizasyon, meta-sezgisel algoritmalar ve sınıflandırma yöntemlerinin gerçek dünya uygulamalarındaki kullanımlarına odaklanır. Öğrencilerin mühendislik ve veri bilimi problemlerine inovatif çözümler geliştirmesi hedeflenir.
Dersi Veren Öğretim Görevlisi/Görevlileri
Dr. Öğr. Üy. Hasan ULUTAŞ
Öğrenme Çıktıları
| 1 | Optimizasyon problemlerini tanımlar ve uygun çözüm yöntemlerini uygular. |
| 2 | Çok amaçlı optimizasyon yöntemlerini farklı mühendislik problemlerine uygular. |
| 3 | Meta-sezgisel algoritmaların (Genetik Algoritmalar, PSO) temel yapılarını ve uygulamalarını açıklar. |
| 4 | Optimizasyon yöntemlerini sınıflandırma problemleriyle birleştirir. |
| 5 | Gerçek dünya problemlerinde optimizasyon tabanlı sınıflandırma çözümleri geliştirir. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Optimizasyon problemlerinin temel kavramları, doğrusal optimizasyon, doğrusal olmayan optimizasyon, meta-sezgisel optimizasyon algoritmaları (Genetik Algoritma, PSO, GWO), çok amaçlı optimizasyon (Pareto optimizasyonu), sınıflandırma algoritmalarının temel kavramları, lojistik regresyon, karar ağaçları, destek vektör makineleri (SVM), optimizasyonun sınıflandırma modellerinde kullanımı, model performans değerlendirme metrikleri, etik ve sosyal sorumluluk.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Optimizasyon Kavramına Giriş | Teorik Anlatım | Optimizasyon ve sınıflandırma kavramları hakkında genel literatür taraması. |
| 2 | Doğrusal Optimizasyon: Gerçek Dünya Uygulamaları | Teorik Anlatım | Doğrusal cebir (vektörler ve matrisler) ve temel Python programlama bilgilerinin gözden geçirilmesi. |
| 3 | Doğrusal Olmayan Optimizasyon: Temeller ve Uygulamalar | Teorik Anlatım ve Vaka Çalışmaları | Simpleks yöntemi ve doğrusal programlama ile ilgili temel kaynakların incelenmesi. |
| 4 | Meta-sezgisel Yöntemlere Giriş: Genetik Algoritmalar (GA) | Teorik Anlatım | Meta-sezgisel yöntemler (Genetik Algoritma, PSO) üzerine temel okumalar ve algoritmaların işleyişine dair makaleler okunması. |
| 5 | Parçacık Sürü Optimizasyonu (PSO) ve Enerji Optimizasyonu | Teorik Anlatım | Meta-sezgisel yöntemler (Genetik Algoritma, PSO) üzerine temel okumalar ve algoritmaların işleyişine dair makaleler okunması. |
| 6 | Çok Amaçlı Optimizasyon: Çatışan Amaçların Yönetimi | Teorik Anlatım | Meta-sezgisel yöntemler (Genetik Algoritma, PSO) üzerine temel okumalar ve algoritmaların işleyişine dair makaleler okunması. |
| 7 | Sınıflandırma Algoritmalarına Giriş: Lojistik Regresyon | Teorik Anlatım ve Kodlama Uygulamaları | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
| 8 | Destek Vektör Makineleri (SVM) ve Optimizasyon | Teorik Anlatım ve Kodlama Uygulamaları | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
| 9 | Sezgisel ve Meta-sezgisel Sınıflandırma Yaklaşımları | Teorik Anlatım ve Kodlama Uygulamaları | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
| 10 | Model Performans Değerlendirme ve Optimizasyon | Teorik Anlatım ve Kodlama Uygulamaları | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
| 11 | Optimizasyon ve Makine Öğrenmesi Modelleri | Teorik Anlatım ve Kodlama Uygulamaları | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
| 12 | Vaka Çalışması: Optimizasyon Tabanlı Sınıflandırma | Vaka Çalışmaları | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
| 13 | Proje Sunumları ve Genel Değerlendirme | Gruplar Halinde Proje Çalışması | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
| 14 | Proje Sunumları ve Genel Değerlendirme | Gruplar Halinde Proje Çalışması | Ders sırasında verilen veri setlerini indirerek Python ortamında çalışmalara hazırlanılması. |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
S. S. Rao, Engineering Optimization: Theory and Practice, Wiley, 2019. T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Springer, 2009. M. Mitchell, An Introduction to Genetic Algorithms, MIT Press, 1998. C. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 90 |
| Proje Hazırlama | 1 | 10 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 50 |
| Proje Sunma | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 30 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 70 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 3 | 42 |
| Proje Hazırlama | 1 | 30 | 30 |
| Bireysel Çalışma | 1 | 10 | 10 |
| Ara Sınav İçin Bireysel Çalışma | 7 | 3 | 21 |
| Final Sınavı içiin Bireysel Çalışma | 7 | 3 | 21 |
| Toplam İş Yükü (saat) | 126 | ||
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 | |
| ÖÇ 1 | 5 | 4 | |||||||||
| ÖÇ 2 | 5 | 5 | |||||||||
| ÖÇ 3 | 5 | 4 | |||||||||
| ÖÇ 4 | 5 | 4 | |||||||||
| ÖÇ 5 | 4 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek