Makine Öğrenmesi(VM 532)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| VM 532 | Makine Öğrenmesi | 2 | 4 | 0 | 0 | 3 | 8 |
| Ön Koşul | |
| Derse Kabul Koşulları |
| Dersin Dili | İngilizce |
| Türü | Zorunlu |
| Dersin Düzeyi | Yüksek Lisans |
| Dersi Veren(ler) | Ayberk ZEYTİN azeytin@gsu.edu.tr (Email) |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere makine öğrenmesi ve derin öğrenme konularında sağlam bir temel kazandırmaktır. Hem teorik kavramları hem de pratik uygulamaları kapsayan bu derste öğrenciler, gerçek dünya problemlerini çözmek için çeşitli makine öğrenmesi modellerini tasarlamayı, uygulamayı ve değerlendirmeyi öğreneceklerdir. |
| İçerik | Ders içeriği; makine öğrenmesine giriş, matematiksel temeller, optimizasyon ile makine öğrenmesinin derin ilişkisi, optimizasyonda karşılaşılan problemler, çözümleri, farklı modellerin eğitim süreçleri, sıklıkla karşılaşılan problemler ile çözümleri ve uygulamalı proje çalışmalarını kapsamaktadır. |
| Dersin Öğrenme Çıktıları | Dersi başarıyla tamamlayan öğrenciler; makine öğrenmesi ve derin öğrenme ilkelerini anlayabilecek, problemleri çözmek için çeşitli makine öğrenmesi tekniklerini uygulayabilecek, Python ve ilgili kütüphaneleri kullanarak modeller geliştirebilecek ve öğrendiklerini gösteren kendi projelerini üretebileceklerdir. |
| Öğretim Yöntemleri | Python defterleri (notebooks), sunumlar, projeler. |
| Kaynaklar |
https://udlbook.github.io/udlbook/ https://www.amazon.com/Hundred-Page-Machine-Learning-Book/dp/199957950X https://www.di.ens.fr/appstat/spring-2023/ |
Teori Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|---|
| 1 | Makine öğreniminin genel bakışı, öğrenme türleri ve uygulamaları. |
| 2 | Minimum yeniden kullanılabilir ML (Makine Öğrenmesi) veri hattı ve veri sızıntısı |
| 3 | Optimizasyon temelleri |
| 4 | Eğitim = bir kaybı minimize etme |
| 5 | Tek değişkenli fonksiyonlar için gradyan inişi (gradient descent) |
| 6 | Çok değişkenli fonksiyonlar için gradyan inişi (gradient descent) |
| 7 | Eyer noktası (saddle point) problemi ve daha yüksek mertebeden yöntemler |
| 8 | Düzenlileştirme (Regularization) |
| 9 | Model Araç Kutusu I: Regresyon, tahminleme ve ikili sınıflandırma |
| 10 | Model Araç Kutusu II: Çok sınıflı sınıflandırma, karar ağaçları ve rastgele ormanlar (random forests) |
| 11 | Model Araç Kutusu III: Ağaçlarla gradyan artırma (gradient boosting), XGBoost, LightGBM ve Kümeleme / Segmentasyon |
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 1 | 50 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 50 |
| Toplam | 2 | 100 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 50 |
| 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 |
| Bütünleme | 0 | 0 |
| Toplam | 1 | 50 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 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 | ||