TÜRKÇE
ENGLISH
Genel Bilgi
| Kod | ISB0012 |
| Ad | Makine Öğrenmesi için İstatistik |
| Dönem | 2024-2025 Eğitim-Öğretim Yılı |
| Yarıyıl | . Yarıyıl |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | Türkçe |
| Seviye | Doktora Dersi |
| Tür | Normal |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Prof. Dr. MAHMUDE REVAN ÖZKALE |
Dersin Amacı / Hedefi
Öğrencilere makine öğrenmesi çerçevesindeki bilgileri ve uygulama becerisi kazandırmak.
Dersin İçeriği
Makine Öğrenmesine Giriş, Regresyon Modellerine Genel Bakış, Cezalandırılmış Doğrusal Regresyon, Model Oluşturma, Sınıflandırma, Kümeleme, Destek Vektör Makinesi Sinir Ağları, Python Uygulamaları
Dersin Ön Koşulu
yok
Kaynaklar
Dangeti, P. 2017. Statistics for Machine Learning. Packt Publishing, Birmingham
Notlar
ders notları
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Regresyon modellerini açıklayabilme |
| ÖÇ02 | Regresyon modelleri arasındaki farkı açıklayabilme |
| ÖÇ03 | Sınıflama ve kümeleme gibi istatistiksel analizler yapabilme |
| ÖÇ04 | Sinir ağlarını yorumlama |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | İstatistiksel problemlerin modellenmesinde ve probleme özgü çözümlerin üretilmesinde yeni yöntem ve stratejiler geliştirir. | 5 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | İstatistik alanında belirli bir konu hakkında detaylı araştırma yapabilir. | 4 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | İstatistik literatürüne katkı yapabilecek düzeyde istatistik teorisine hakimdir. | 3 |
| PÖÇ04 | Bilgi - Kuramsal, Olgusal | İstatistik alanında edindiği bilgiyi disiplinler arası çalışmalarda kullanabilir. | 4 |
| PÖÇ05 | Yetkinlikler - Öğrenme Yetkinliği | İstatistik alanında proje ve etkinlikler düzenleyebilir. | 5 |
| PÖÇ06 | Yetkinlikler - Öğrenme Yetkinliği | Bir projenin oluşturulması, yürütülmesi ve sonuçların raporlanması aşamalarını gerçekleştirebilir. | 5 |
| PÖÇ07 | Beceriler - Bilişsel, Uygulamalı | Bilimsel irdeleme yetisine sahip olur. | 5 |
| PÖÇ08 | Bilgi - Kuramsal, Olgusal | İstatistik alanında bilimsel yayın üretebilir. | 4 |
| PÖÇ09 | Bilgi - Kuramsal, Olgusal | Analitik düşünme becerisine sahip olur. | 3 |
| PÖÇ10 | Yetkinlikler - Öğrenme Yetkinliği | Mesleki yenilik ve gelişmeleri hem ulusal hem de uluslar arası düzeyde takip edebilir. | 4 |
| PÖÇ11 | Yetkinlikler - Öğrenme Yetkinliği | İstatistik literatürünü takip edebilir. | |
| PÖÇ12 | Beceriler - Bilişsel, Uygulamalı | Yabancı dil bilgisini, alanında yabancı dilde yayın ve sunum yapabilecek düzeyde geliştirebilir. | 5 |
| PÖÇ13 | Bilgi - Kuramsal, Olgusal | Bilişim teknolojilerini ileri düzeyde kullanabilir. | 4 |
| PÖÇ14 | Bilgi - Kuramsal, Olgusal | Bireysel çalışma becerisi ve bağımsız karar verebilme yetisine sahip olur. | 3 |
| PÖÇ15 | Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği | Takım çalışmalarında gerekli olan niteliklere sahiptir. | |
| PÖÇ16 | Bilgi - Kuramsal, Olgusal | Mesleki ve etik sorumluluk bilincine sahip olur. | 3 |
| PÖÇ17 | Bilgi - Kuramsal, Olgusal | Bilimsel etik kurallara uygun davranır. | 3 |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Model oluşturma ve doğrulama için istatistiksel terminoloji | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 2 | Model oluşturma ve doğrulama için makine öğrenimi terminolojisi | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 3 | Regresyon ve makine öğrenimi modelleri arasında karşılaştırma | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 4 | Makine öğrenimi modelleri - lasso ve ridge regresyonu | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama, Problem Çözme |
| 5 | Maksimum olabilirlik tahmini, Lojistik regresyon – giriş ve avantajlar | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 6 | Ağaç tabanlı makine öğrenimi modelleri | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 7 | Proje hazırlama | Kaynak okuma | Ölçme Yöntemleri: Performans Değerlendirmesi |
| 8 | Karar ağacı sınıflandırıcı | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 9 | Torbalama sınıflandırıcısı, rastgele orman sınıflandırıcısı | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 10 | Adaboost sınıflandırıcı, Gradyan artırma sınıflandırıcı | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 11 | K-En Yakın Komşular | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 12 | Naive bayes | Kaynak okuma | Öğretim Yöntemleri: Anlatım |
| 13 | Destek vektör makineleri ve sinir ağları | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 14 | Denetimsiz öğrenme | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 15 | Pekiştirmeli Öğrenme | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 16 | Veri analizi | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama, Proje Temelli Öğrenme |
| 17 | Final sınavı | Kaynak okuma | Ölçme Yöntemleri: Performans Değerlendirmesi |
Öğrenci İş Yükü - AKTS
| Çalışmalar | Sayısı | Süresi (Saat) | İş Yükü (Saat) |
|---|---|---|---|
| Ders ile İlgili Çalışmalar | |||
| Ders (Sınav haftaları dahil değildir) | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) | 14 | 5 | 70 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 0 | 0 | 0 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 15 | 15 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 30 | 30 |
| Toplam İş Yükü (Saat) | 157 | ||
| Toplam İş Yükü / 25 (s) | 6,28 | ||
| AKTS | 6 AKTS | ||