Makine Öğrenmesi(MAT407)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| MAT407 | Makine Öğrenmesi | 8 | 3 | 0 | 0 | 3 | 6 |
| Ön Koşul | |
| Derse Kabul Koşulları |
| Dersin Dili | Fransızca |
| Türü | Seçmeli |
| Dersin Düzeyi | Lisans |
| Dersi Veren(ler) | Gönenç ONAY gonay@gsu.edu.tr (Email) |
| Dersin Yardımcıları | |
| Dersin Amacı | bu dersin amacı, öğrencilere makine öğrenmesi ve derin öğrenme konularında sağlam bir temel sağlamaktır. Hem teorik kavramları hem de pratik uygulamaları kapsayarak, öğrenciler gerçek dünya problemlerini çözmek için çeşitli makine öğrenmesi modellerini tasarlamayı, uygulamayı ve değerlendirmeyi öğreneceklerdir. |
| İçerik | makine öğrenmesine giriş, matematiksel temeller, derin öğrenme temelleri, modellerin eğitilmesi, evrişimli ve tekrarlayan sinir ağları, GAN'lar ve otokodlayıcılar gibi ileri modeller, doğal dil işleme ve pratik proje çalışmalarını içermektedir. |
| Dersin Öğrenme Çıktıları | Dersi tamamlayan öğrenciler, makine öğrenimi ve derin öğrenme ilkelerini anlayabilecek, problemleri çözmek için çeşitli makine öğrenimi tekniklerini uygulayabilecek, Python ve ilgili kütüphaneleri kullanarak modelleri uygulayabilecek ve öğrendiklerini gösteren kendi projelerini geliştirebileceklerdir. |
| Öğretim Yöntemleri | Slides, notebooks, projects |
| Kaynaklar |
Teori Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|---|
| 1 | Makine öğreniminin genel bakışı, öğrenme türleri ve uygulamaları. |
| 2 | Lojistik ve Lineer Regression |
| 3 | Python ML kutuphaneleri tanitimi. |
| 4 | Yapay sinir ağlarını anlama, aktivasyon fonksiyonları ve mimari. |
| 5 | Derin öğrenmeye giriş, çerçeveler ve ortamın kurulumu |
| 6 | Derin Sinir Ağlarını Eğitme - DNN'leri eğitme teknikleri, aşırı uyumu önleme ve düzenleme. |
| 7 | Evrişimli Sinir Ağları (CNN'ler) - CNN'lerin temelleri, görüntü tanıma uygulamaları |
| 8 | Ara Sınav - 1-7. haftaları kapsayan konulardan değerlendirme |
| 9 | Tekrarlayan Sinir Ağları (RNN'ler) - RNN'lere giriş, LSTM ve uygulamaları. |
| 10 | İleri Derin Öğrenme Modelleri - GAN'lar, otoenkoderler ve pekiştirmeli öğrenmenin temellerini keşfetme. |
| 11 | Derin Öğrenme ile Doğal Dil İşleme - NLP için teknikler ve modeller |
| 12 | Zaman serisi analizi, sıralı veri için RNN'ler. |
| 13 | Proje Tartışmaları - Öğrenciler projelerini tartışma ve geri bildirim |
| 14 | Projelerin final sunumu, ozet |
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 2 | 60 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 40 |
| Toplam | 3 | 100 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 1 | 30 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 30 |
| Proje | 0 | 0 |
| Laboratuar | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 |
| Kısa Sınavlar | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 |
| Raporlar | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 |
| Seminer | 0 | 0 |
| Diğer | 0 | 0 |
| Toplam | 2 | 60 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Çıkarım yaparak muhakeme yapmanın ilkelerini anlar; ürettiği ya da karşılaştığı matematiksel ifadenin doğruluğunu ve uygunluğunu sistematik şekilde sorgulayabilir; | X | ||||
| 2 | Temel matematik netice ve kavramlarını doğru şekilde bilir ve kullanır; | X | ||||
| 3 | Sık kullanılan hesap tekniklerine ve algoritmalara hakimdir; bunları hayata geçirmek için iyi bir hesap becerisine sahiptir; bir problemin çözümü için bildiği araçlar arasından ilgili aleti tespit edip kullanabilir ve bu aletlere sahip olup olmadığını muhakeme edebilir; | X | ||||
| 4 | Matematiksel fikirlerini yapılandırarak hem yazılı hem de sözlü ifade edebilir; | X | ||||
| 5 | Bildiği matematiksel kavram ve neticeler arasındaki bağlantıları idrak eder, matematik nesnelerinin temsil biçimlerinin (şekiller, formüller, ifadeler, tahminler, örnek kümeleri , ...) birinden diğerine geçiş yapabilir; | X | ||||
| 6 | Rehber gözetiminde özerk bir öğrenme tecrübesi geçirmiş ve karmaşık bir problemin çözümünün anlaşılması için stratejiler geliştirmiştir; | X | ||||
| 7 | Bilgisayar biliminin teori ve uygulamaları hakkında, bir programlama dili öğrenmeye devam etmeye yetecek temellere sahiptir; | X | ||||
| 8 | Matematik modellerinin uygunluğunu ve matematik aletlerinin doğa bilimlerinde ve iş dünyasında kullanımını sorgulamıştır; matematik kavramlarının tarihi evriminin farkındadır; | X | ||||
| 9 | Bir akademik serbestlik atmosferi içinde matematik içi veya dışı bir konuya adım atma fırsatına sahip olmuştur, eğitimde yolunu kendi başına çizmeyi ve sorumluluk almayı öğrenmiştir; | X | ||||
| 10 | Yabancı bir ülkede okumak ve çalışmaya yetecek seviyede fransızcaya ve başka bir yabancı dile hakimdir. | X | ||||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 42 | 588 |
| Sınıf Dışı Çalışma Süresi | 0 | 0 | 0 |
| Ödevler | 0 | 0 | 0 |
| Sunum | 0 | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 3 | 3 |
| Proje | 1 | 10 | 10 |
| Laboratuar | 0 | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 0 | 0 | 0 |
| Kısa Sınavlar | 0 | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 | 0 |
| Raporlar | 0 | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 | 0 |
| Seminer | 0 | 0 | 0 |
| Diğer | 0 | 0 | 0 |
| Toplam İş Yükü | 601 | ||
| Toplam İş Yükü / 25 | 24.04 | ||
| Dersin AKTS Kredisi | 24 | ||