GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BMYL514 | MAKİNELİ ÖĞRENME | Seçmeli Ders Grubu | 1 | 1 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, makine öğrenmesinin temel teorik prensiplerini öğretmek ve öğrencilerin klasik ve modern makine öğrenmesi algoritmalarını gerçek dünya problemlerinde uygulayabilme becerilerini kazandırmaktır. Dersin içeriği, veri ön işleme, model geliştirme, optimizasyon ve etik konularını kapsamaktadır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Dr. Öğr. Üy. Hasan ULUTAŞ
Öğrenme Çıktıları
| 1 | Makine öğrenmesi temel kavramlarını (denetimli, denetimsiz, pekiştirmeli öğrenme) açıklar. |
| 2 | Matematiksel temelleri (olasılık, doğrusal cebir) algoritmalar üzerinde uygular. |
| 3 | Klasik makine öğrenmesi algoritmalarını (Karar Ağaçları, SVM, Lojistik Regresyon) gerçek dünya problemlerinde uygular. |
| 4 | Özellik seçimi ve boyut indirgeme yöntemlerini (PCA, t-SNE, UMAP) kullanarak veri setlerini optimize eder. |
| 5 | Model değerlendirme metriklerini (ROC-AUC, F1 skor) yorumlar ve modelleri karşılaştırır. |
| 6 | Etik ve adil yapay zeka prensiplerini uygulamalarına entegre eder. |
| 7 | Kuantum makine öğrenmesi kavramlarına giriş yapar. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Makine öğrenmesinin temel kavramları, istatistiksel öğrenme kuramı, matematiksel temeller (olasılık ve doğrusal cebir), karar ağaçları ve rastgele ormanlar, destek vektör makineleri (SVM), lojistik regresyon ve maksimum olabilirlik tahmini, özellik seçimi ve boyut indirgeme (PCA, t-SNE, UMAP), kümeleme algoritmaları (K-means, hiyerarşik kümeleme), model değerlendirme ve optimizasyon (ROC-AUC, F1 skoru, çapraz doğrulama), pekiştirmeli öğrenme, veri gizliliği ve etik, kuantum makine öğrenmesine giriş.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Giriş ve Temel Kavramlar | Teorik Anlatım | Makine öğrenmesinin temel kavramları hakkında giriş niteliğinde makalelerin veya kitap bölümlerinin okunması. |
| 2 | Matematiksel Temeller | Teorik Anlatım | Olasılık, istatistik ve doğrusal cebir konularında temel bilgilerin gözden geçirilmesi. |
| 3 | Karar Ağaçları ve Rastgele Ormanlar | Teorik Anlatım | Karar ağaçları ve rastgele ormanlar üzerine teorik okumalar ve örnek bir veri setiyle uygulama. |
| 4 | Destek Vektör Makineleri | Teorik Anlatım | Destek vektör makineleri (SVM) algoritmasının temel matematiksel yapısı üzerine çalışma. |
| 5 | Lojistik Regresyon | Teorik Anlatım | Lojistik regresyon ve maksimum olabilirlik tahmini ile ilgili Python uygulama örneklerinin incelenmesi. |
| 6 | Özellik Seçimi ve Boyut İndirgeme | Teorik Anlatım | PCA, LDA gibi boyut indirgeme yöntemleriyle ilgili kod örneklerinin ve veri setlerinin analiz edilmesi. |
| 7 | Kümeleme Algoritmaları | Teorik Anlatım | Kümeleme algoritmalarını anlamak için K-means ve hiyerarşik kümeleme üzerine literatür taraması. |
| 8 | Model Değerlendirme | Teorik Anlatım | Çapraz doğrulama ve model performans metriklerinin (ROC-AUC, F1 skor) uygulanması üzerine çalışma. |
| 9 | Pekiştirmeli Öğrenme | Teorik Anlatım | Pekiştirmeli öğrenme (Q-learning) ile ilgili temel kavramların ve Python uygulamalarının incelenmesi. |
| 10 | Veri Gizliliği ve Etik | Teorik Anlatım | AI etik kurallarına dair bir makale veya rapor okuma. GDPR veya KVKK gibi veri koruma yasalarını inceleme. |
| 11 | Uygulamalı Proje | Grup Çalışması: Öğrenciler projeleri üzerinde çalışır. Kodlama Uygulamaları: Rehberlik eşliğinde proje geliştirme. | Proje için veri seti seçimi ve ön analizlerin yapılması. Projenin temel probleminin tanımlanması. |
| 12 | Kuantum ML’ye Giriş | Anlatım: Kuantum hesaplama ve makine öğrenmesi ilişkisi. Tartışma: Kuantum ML’nin avantajları ve kısıtlamaları. | Qiskit kütüphanesi ile ilgili temel kaynakları inceleme. Kuantum hesaplama üzerine giriş niteliğinde bir video izleme. |
| 13 | Proje Sunumları | Sunum: Öğrenciler projelerini sunar. Geri Bildirim: Projelerin sınıf içi değerlendirmesi yapılır. | Proje sunumu için gerekli materyallerin hazırlanması. Sunum sırasında kullanılacak görseller ve metriklerin hazırlanması. |
| 14 | Proje Sunumları | Sunum: Öğrenciler projelerini sunar. Geri Bildirim: Projelerin sınıf içi değerlendirmesi yapılır. | Proje sunumu için gerekli materyallerin hazırlanması. Sunum sırasında kullanılacak görseller ve metriklerin hazırlanması. |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Machine Learning Theory and Applications: Hands-on Use Cases with Python on Classical and Quantum Machines, Xavier Vasques , ISBN: 978-1-394-22061-8
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 | 4 | |||||||||
| ÖÇ 3 | 5 | 5 | |||||||||
| ÖÇ 4 | 5 | 4 | |||||||||
| ÖÇ 5 | 5 | ||||||||||
| ÖÇ 6 | 5 | 5 | |||||||||
| ÖÇ 7 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek