TÜRKÇE
ENGLISH
Genel Bilgi
| Birim | FEN BİLİMLERİ ENSTİTÜSÜ |
| ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ (DR) (İNGİLİZCE) | |
| Kod | EE726 |
| Ad | Statistical Machine Learning |
| Dönem | 2026-2027 Eğitim-Öğretim Yılı |
| Dönem | Bahar |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | Türkçe |
| Seviye | Belirsiz |
| Tür | Normal |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Doç. Dr. FATİH KILIÇ |
| Dersin Öğretim Elemanı |
Güncel dönem ders programı henüz yapılmamıştır.
|
Dersin Amacı / Hedefi
Bu dersin amacı, istatistiksel makine öğrenimi alanında derin bir anlayış geliştirmek ve öğrencilere bu alandaki kapsamlı bilgi ve becerileri kazandırmaktır. Öğrencilere modern makine öğrenimi yöntemlerinin istatistiksel temellerini sağlamak, karmaşık veri setleri üzerinde analiz yapabilme yeteneklerini geliştirmek ve istatistiksel modelleme tekniklerini kullanarak özgün araştırmalar yapabilme kabiliyetini kazandırmaktır.
Dersin İçeriği
Bu ders, öğrencilere makine öğrenimi yöntemlerinin istatistiksel temellerini sağlayarak temel istatistiksel ilkelere odaklanmaktadır. Ders, öğrencileri çeşitli veri kümeleri üzerinde makine öğrenimi algoritmalarını anlama, uygulama ve değerlendirme becerileriyle donatmayı amaçlamaktadır. Ayrıca, öğrencilere istatistiksel makine öğrenimi alanında kapsamlı bir bilgi tabanı sunan ileri düzey konuları da kapsamaktadır.
Dersin Ön Koşulu
Dersin ön koşulu bulunmamaktadır.
Kaynaklar
1. Machine Learning - A Probabilistic Perspective, Kevin P. Murphy, MIT Press, 2012. 2. Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python by Sebastian Raschka, Yuxi (Hayden) Liu , Vahid Mirjalili, 2022. 3. Introduction to Statistical Learning, Python Edition, By Bala Priya C, KDnuggets on July 28, 2023 in Python
Notlar
Dangeti, P. (2017). Statistics for machine learning. Packt Publishing Ltd.
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Makine öğreniminin istatistiksel ve olasılıksal temellerini (olasılık teorisi, istatistiksel çıkarım, optimizasyon, doğrusal cebir) açıklar, bu temellerin öğrenme algoritmalarındaki rolünü analiz eder ve uygun problemlere uygular. |
| ÖÇ02 | Denetimli ve denetimsiz öğrenme yöntemlerini (regresyon, sınıflandırma, regularizasyon, çekirdek yöntemleri, kümeleme, boyut indirgeme) kuramsal varsayımlarıyla birlikte kavrar ve gerçek veri üzerinde modeller geliştirir. |
| ÖÇ03 | Geliştirilen modellerin performansını uygun istatistiksel ölçütlerle (çapraz doğrulama, ROC/AUC, yanlılık-varyans ayrıştırması) değerlendirir, aşırı öğrenme ve genelleme kavramlarını model seçimi ve hiperparametre optimizasyonu süreçlerine eleştirel biçimde uygular. |
| ÖÇ04 | Derin öğrenme mimarilerini (çok katmanlı ağlar, evrişimli ve yinelemeli ağlar, dikkat mekanizmaları, transformer yapıları) modern istatistiksel öğrenme yaklaşımlarıyla bütünleştirerek karmaşık problemler için modeller tasarlar ve optimize eder. |
| ÖÇ05 | Güncel bilimsel literatürü takip ederek son dönem makine öğrenimi yaklaşımlarını (kendi kendine öğrenme, transfer öğrenme, Bayes derin öğrenme) eleştirel olarak değerlendirir; uygulamalardaki etik sorunları (veri mahremiyeti, algoritmik yanlılık, açıklanabilirlik) sorumlu yapay zekâ ilkeleri çerçevesinde ele alır. |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | Elektrik-Elektronik Mühendisliğinin temellerini oluşturan dalların en az birinde, bilgi düzeyini yüksek lisans düzeyinin ötesine çıkararak uzmanlaşabilme | 4 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | Uzmanlaştığı alanın içerdiği tüm konuların birlikte oluşturduğu bütünlüğü kavrayabilme | 3 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | Uzmanlaştığı alandaki mevcut bilimsel literatüre hakim olabilme, literatürü kritik şekilde analiz edebilme | 4 |
| PÖÇ04 | Bilgi - Kuramsal, Olgusal | Alanının, ilişkili olduğu diğer dallarla olan disiplinlerarası etkileşimini kavrayabilme, benzer etkileşimler önerebilme | 3 |
| PÖÇ05 | Bilgi - Kuramsal, Olgusal | Kuramsal veya deneysel çalışma yapma becerisine sahip olabilme | 2 |
| PÖÇ06 | Bilgi - Kuramsal, Olgusal | Araştırma sonucunda edinilen bilgileri derleyerek bütünlüklü bir bilimsel metin oluşturabilme. | |
| PÖÇ07 | Bilgi - Kuramsal, Olgusal | Tez konusu üzerinde, danışmanının belirlediği çerçeve içinde, konunun gerektirdiği mantıksal bütünlüğe uygun olarak, programlı bir şekilde çalışabilme. | |
| PÖÇ08 | Bilgi - Kuramsal, Olgusal | Bilimsel veri tabanlarında literatür araştırması yapabilme; özelde, veri tabanlarını uygun ve doğru şekilde tarama ve listelenen unsurları değerlendirme, kategorize edebilme | 4 |
| PÖÇ09 | Bilgi - Kuramsal, Olgusal | Uzmanlık alanında İngilizce olarak yazılmış bir bilimsel metni rahatlıkla okuyup anlayacak ve benzer bir metni yazabilecek düzeyde İngilizce'ye ve ilgili İngilizce jargona hakim olma | |
| PÖÇ10 | Bilgi - Kuramsal, Olgusal | Bildiği bir programlama dilinde genelde belirli bir amaca yönelik, özelde uzmanlık alanı ile ilgili olan bir bilgisayar programı yazabilme. | 4 |
| PÖÇ11 | Bilgi - Kuramsal, Olgusal | Uzmanlık alanıyla veya yakın alanlarla ilgili ders planlayabilme ve ders verebilme. | |
| PÖÇ12 | Bilgi - Kuramsal, Olgusal | Alanı ile ilgili sorunların çözümlenmesini gerektiren ortamlarda yol gösterici olabilme, insiyatif alabilme | 3 |
| PÖÇ13 | Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği | Uygun bir dil ve tarz ile insanlarla iletişim kurabilme | |
| PÖÇ14 | Yetkinlikler - Öğrenme Yetkinliği | Akademisyenliğin, gerek eğitim-öğretim gerekse araştırma yönlerinin gerektirdiği etik değerleri benimseme | |
| PÖÇ15 | Yetkinlikler - Öğrenme Yetkinliği | Uzmanlık alanı ile ilgili konularda proje, politika, süreç üretebilme ve bu öğeleri değerlendirebilme | 3 |
| PÖÇ16 | Yetkinlikler - Öğrenme Yetkinliği | Mevcut araştırma deneyimine dayanarak yeni konularda da araştırma yapabilme | 3 |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Makine öğrenimine ve istatistiksel temellerine genel bakış, olasılık teorisi ve istatistiksel çıkarımda temel kavramlar | Olasılık dağılımları, beklenen değer ve varyans kavramlarını tekrar edin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 2 | Doğrusal regresyon ve çoklu doğrusal regresyon model değerlendirmesi ve performans ölçütleri | Basit ve çoklu regresyon modellerinin temel varsayımlarını inceleyin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 3 | Düzenli hale getirme teknikleri (L1 ve L2 düzenli hale getirme) | Overfitting ve bias-variance tradeoff kavramlarını gözden geçirin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 4 | Polinom regresyon ve Lojistik regresyon | Sınıflandırma problemleri ve sigmoid fonksiyonunu öğrenin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 5 | Karar ağaçları ve topluluk yöntemleri (Random Forests, Gradient Boosting) | Decision tree mantığı ve ensemble yaklaşımını inceleyin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 6 | Destek Vektör Makineleri (SVM): Sınıflandırma | Margin, kernel ve lineer ayrılabilirlik kavramlarını öğrenin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 7 | Destek Vektör Makineleri (SVM): Regresyon | SVR mantığını ve epsilon-insensitive loss kavramını inceleyin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 8 | Ara Sınavlar | İlk 7 haftanın tüm konularını tekrar edin. | Ölçme Yöntemleri: Yazılı Sınav |
| 9 | K-ortalamalar kümeleme, hiyerarşik kümeleme yöntemleri, kümeleme algoritmalarının değerlendirilmesi | K-means algoritması ve mesafe metriklerini inceleyin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 10 | Boyut Azaltma, temel bileşen analizi (PCA), t-Dağıtılmış Stokastik Komşu Gömme (t-SNE) | PCA’nin temel mantığını ve varyans açıklama kavramını öğrenin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 11 | Makine Öğreniminde Bayes Yöntemleri | Bayes teoremi ve prior-posterior ilişkisini gözden geçirin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 12 | Derin Öğrenme: Sinir ağı mimarisi ve aktivasyon fonksiyonları | Yapay sinir ağlarının temel bileşenlerini inceleyin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 13 | Sinir ağlarının eğitimi: geri yayılım ve optimizasyon teknikleri | Gradient descent ve türev kavramlarını tekrar edin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 14 | İstatistiksel makine öğrenimindeki son gelişmeler ve eğilimler | Güncel ML makaleleri ve yeni yaklaşımları araştırın. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 15 | Bayesian Analiz | Bayesyen çıkarım ve olasılıksal modelleme kavramlarını inceleyin. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 16 | Yarıyıl Sonu Sınavları | Tüm konuları genel olarak tekrar edin. | Ölçme Yöntemleri: Yazılı Sınav |
| 17 | Yarıyıl Sonu Sınavları | Eksik konuları tamamlayın ve tekrar yapın. | Ölçme Yöntemleri: Yazılı Sınav |
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) | 16 | 5 | 80 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 1 | 24 | 24 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 2 | 2 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 2 | 2 |
| Toplam İş Yükü (Saat) | 150 | ||
| Toplam İş Yükü / 25 (s) | 6,00 | ||
| AKTS | 6 AKTS | ||