Yapay Öğrenme
tnaskali@gsu.edu.tr
İçerik
Dersin Amacı
Bu ders, yapay öğrenme ve istatistiksel örüntü tanıma konularına genel bir giriş sağlar. Konular şunlardır: (i) Denetimli öğrenme (parametrik / parametrik olmayan algoritmalar, destek vektör makineleri, çekirdekler, yapay sinir ağları). (ii) Denetimsiz öğrenme (kümeleme, boyut azalması, tavsiye sistemleri). (iii) Makine öğrenmede temel konseptler (önyargı / varyans teorisi; makine öğrenmede yenilik süreci ve AI). Ders aynı zamanda, metin tanımadan (web araması, anti-spam), mobil hesaplamaya kadar çeşitli vaka analizlerini ve uygulamaları içermektedir. Python programlama ve Scikit-Learn platformu kullanılarak pratik yapılacaktır. Öğrenciler üst düzey konferans ve dergiler makalelerini inceleyeceklerdir.
Dersin İçeriği
1. Hafta: Giriş ve Motivasyon (Dersin İçeriği, Kısa Tarihçesi, Zorluklar, Temel Kavramlar)
2. Hafta: Doğrusal Cebir ve Olasılık Hatırlatmaları
3-4 Hafta: Denetlemeli Öğrenme Temelleri: Bir ve Birden Çok Değişkenli Lineer Regresyon, Lojistik Regresyon
5. Hafta: Bayes Karar Teorisi
6. Hafta Boyut Azaltma
7. Hafta Kümeleme
8. Hafta: Ara Sınav
9-10. Hafta: Parametrik Olmayan Yöntemler: Karar Ağaçları, Lineer Ayrımcılık
11-12. Hafta: Çok katmanlı algılayıcılar ve yapay sinir ağları
13-14. Hafta: Grafik Modeller, Saklı Markov Modelleri
Dersin Öğrenme Çıktıları
1- Bir problemin çözümü için yapay öğrenme yöntemi önerebilme
2- Değişik yapay öğrenme yöntemlerinin performanslarını analiz edebilme
3- Değişik yapay öğrenme yöntemlerinin sonuçlarını birleştirebilme
4- Değişik yapay öğrenme yöntemlerininin teorik ve algoritmik olarak nasıl çalıştıklarını anlayabilme
Öğretim Yöntemleri
Yüz yüze, problem çözme, simülasyon, kodlama, modelleme
Kaynaklar
• Introduction to Machine Learning, 3e, Ethem Alpaydın, The MIT Press, September 2014, ISBN: 978-0-262-02818-9
• Machine Learning Yearning, Andrew Ng, http://www.mlyearning.org/
• Pattern Recognition and Machine Learning, Christopher Bishop, ISBN-13: 978-0387310732, Springer, 2006.
• Bildiri/Makale Okuma
Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|---|
| 1 | Giriş ve Motivasyon (Dersin İçeriği, Kısa Tarihçesi, Zorluklar, Temel Kavramlar) |
| 2 | Doğrusal Cebir ve Olasılık Hatırlatmaları |
| 3 | Denetlemeli Öğrenme Temelleri: Bir ve Birden Çok Değişkenli Lineer Regresyon, Lojistik Regresyon |
| 4 | Lojistik Regresyon (devam) |
| 5 | Bayes Karar Teorisi |
| 6 | Boyut Azaltma |
| 7 | Kümeleme |
| 8 | Ara Sınav |
| 9 | Parametrik Olmayan Yöntemler: Karar Ağaçları, Lineer Ayrımcılık |
| 10 | Karar Ağaçları, Lineer Ayrımcılık (devam) |
| 11 | Çok katmanlı algılayıcılar ve yapay sinir ağları |
| 12 | Yapay sinir ağları (devam) |
| 13 | Grafik Modeller |
| 14 | Saklı Markov Modelleri |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 6 | 60 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 40 |
| Toplam | 7 | 100 |
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Ödevler | 4 | 25 |
| Sunum | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 25 |
| 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 | 1 | 10 |
| Toplam | 6 | 60 |
AKTS - İş Yükü Tablosu
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 3 | 42 |
| Sınıf Dışı Çalışma Süresi | 14 | 3 | 42 |
| Ödevler | 4 | 4 | 16 |
| Sunum | 1 | 10 | 10 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 15 | 15 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 1 | 25 | 25 |
| Toplam İş Yükü | 150 | ||
| Toplam İş Yükü / 25 | 6.00 | ||
| Dersin AKTS Kredisi | 6 | ||