TÜRKÇE
ENGLISH
Genel Bilgi
| Birim | MÜHENDİSLİK FAKÜLTESİ |
| ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ PR. (İNGİLİZCE) | |
| Kod | EEES420 |
| Ad | Machine Learning Fundamentals |
| Dönem | 2026-2027 Eğitim-Öğretim Yılı |
| Yarıyıl | 8. Yarıyıl |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 4 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | İngilizce |
| Seviye | Belirsiz |
| Tür | Normal |
| Etiket | S Seçmeli |
| 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, öğrencilere makine öğrenmesinin temel kavramlarını, yöntemlerini ve algoritmalarını teorik ve uygulamalı olarak tanıtmaktır. Öğrencilerin denetimli ve denetimsiz öğrenme, regresyon, sınıflandırma, kümeleme, boyut indirgeme, model değerlendirme ve yapay sinir ağları gibi temel konularda bilgi ve beceri kazanmaları; Python programlama dili ve ilgili kütüphaneleri (NumPy, Pandas, Scikit-learn, TensorFlow/Keras) kullanarak gerçek dünya problemlerine yönelik makine öğrenmesi tabanlı çözümler geliştirebilmeleri hedeflenmektedir.
Dersin İçeriği
Bu derste; makine öğrenmesinin temel kavramları, tarihsel gelişimi ve yapay zeka ile ilişkisi; denetimli, denetimsiz, yarı-denetimli ve pekiştirmeli öğrenme türleri; veri ön işleme, keşifsel veri analizi, özellik mühendisliği ve veri görselleştirme teknikleri; doğrusal ve lojistik regresyon, k-en yakın komşu (k-NN), Naive Bayes, karar ağaçları, rastgele orman ve topluluk öğrenme yöntemleri (boosting, bagging, XGBoost); destek vektör makineleri (SVM) ve çekirdek fonksiyonları; k-means, hiyerarşik kümeleme ve DBSCAN gibi kümeleme algoritmaları; temel bileşen analizi (PCA) ve t-SNE ile boyut indirgeme teknikleri; yapay sinir ağlarının temel yapısı, ileri/geri yayılım algoritmaları ve aktivasyon fonksiyonları; CNN ve RNN tabanlı derin öğrenme modellerine giriş ile transfer öğrenme; model değerlendirme metrikleri, hiperparametre optimizasyonu, çapraz doğrulama ve önyargı-varyans dengesi konuları ele alınmakta; öğrenciler Python ve ilgili kütüphaneleri (NumPy, Pandas, Scikit-learn, TensorFlow/Keras) kullanarak gerçek veri setleri üzerinde uçtan uca bir makine öğrenmesi projesi geliştirmektedir.
Dersin Ön Koşulu
Dersin ön koşulu bulunmamaktadır.
Kaynaklar
Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O'Reilly Media. Alpaydın, E. (2020). Introduction to Machine Learning (4th ed.). MIT Press.
Notlar
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in Python. Springer. Çevrimiçi belgeler: Scikit-learn, TensorFlow ve Keras resmi dokümantasyonu; Kaggle ve Coursera platform kaynakları.
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Makine öğrenmesinin temel kavramlarını, türlerini ve uygulama alanlarını açıklayabilir. |
| ÖÇ02 | Veri ön işleme, özellik mühendisliği ve veri görselleştirme tekniklerini uygulayabilir. |
| ÖÇ03 | Denetimli öğrenme algoritmalarını (doğrusal/lojistik regresyon, karar ağaçları, SVM, k-NN) seçer ve uygular. |
| ÖÇ04 | Denetimsiz öğrenme algoritmalarını (k-means, hiyerarşik kümeleme, PCA) kullanarak veri analizi gerçekleştirebilir. |
| ÖÇ05 | Yapay sinir ağlarının temel yapısını ve çalışma prensiplerini açıklayabilir; basit derin öğrenme modelleri geliştirebilir. |
| ÖÇ06 | Model performansını uygun metriklerle (doğruluk, kesinlik, duyarlılık, F1, ROC-AUC) değerlendirebilir. |
| ÖÇ07 | Aşırı öğrenme (overfitting), eksik öğrenme (underfitting) ve önyargı-varyans dengesini analiz edebilir. |
| ÖÇ08 | Python ve makine öğrenmesi kütüphanelerini kullanarak gerçek veri setleri üzerinde uçtan uca proje geliştirebilir. |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisine sahip olur. | 5 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | Karmaşık mühendislik problemlerini tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisine sahip olur. | 4 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisine sahip olur. | 4 |
| PÖÇ04 | Bilgi - Kuramsal, Olgusal | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçme ve kullanma becerisi; bilişim teknolojilerini ve programlama bilgilerini etkin bir şekilde kullanma becerisine sahip olur. | 4 |
| PÖÇ05 | Bilgi - Kuramsal, Olgusal | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisine sahip olur. | 4 |
| PÖÇ06 | Bilgi - Kuramsal, Olgusal | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisine sahip olur. | |
| PÖÇ07 | Bilgi - Kuramsal, Olgusal | Sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisine sahip olur. | |
| PÖÇ08 | Bilgi - Kuramsal, Olgusal | Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisine sahip olur. | |
| PÖÇ09 | Bilgi - Kuramsal, Olgusal | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk ve mühendislik uygulamalarında kullanılan standartlar hakkında bilgi edinir. | 2 |
| PÖÇ10 | Bilgi - Kuramsal, Olgusal | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi edinir. | 3 |
| PÖÇ11 | Bilgi - Kuramsal, Olgusal | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık sahibi olur. | |
| PÖÇ12 | Bilgi - Kuramsal, Olgusal | Elektrik-Elektronik mühendisliği bilgilerini mesleğe özgü alet ve cihazlar üzerinde uygulayabilme becerisine sahip olur. | 4 |
| PÖÇ13 | Bilgi - Kuramsal, Olgusal | İçinde yaşadığı toplumun, dünyanın ve çağın, bilimsel, sosyal, tarihi, ekonomik ve politik olguları hakkında farkındalık edinir. |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Makine Öğrenmesine Giriş | Ders izlencesinin incelenmesi; "Makine öğrenmesi" ve "yapay zeka" kavramları arasındaki farkın araştırılması; günlük yaşamda karşılaşılan makine öğrenmesi uygulamalarının (öneri sistemleri, yüz tanıma, spam filtreleri) gözden geçirilmesi. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 2 | Makine öğrenmesi türleri (denetimli, denetimsiz, yarı-denetimli, pekiştirmeli); Python ve geliştirme ortamı kurulumu (Anaconda, Jupyter, Google Colab) | Python programlama diline ait temel söz diziminin (değişken, döngü, fonksiyon) tekrar edilmesi; Anaconda dağıtımının kişisel bilgisayara kurulması; Jupyter Notebook ve Google Colab platformlarının incelenmesi. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 3 | Veri ön işleme: Eksik veri, aykırı değer, normalizasyon, standardizasyon, kategorik veri kodlama; NumPy ve Pandas ile veri manipülasyonu | Temel istatistik kavramlarının (ortalama, medyan, standart sapma) tekrar edilmesi; NumPy ve Pandas kütüphanelerinin temel fonksiyonlarına ilişkin ön okuma yapılması; örnek bir CSV veri setinin incelenmesi. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 4 | Keşifsel veri analizi (EDA) ve veri görselleştirme (Matplotlib, Seaborn); özellik mühendisliği ve özellik seçimi | Matplotlib ve Seaborn kütüphanelerinin temel grafik türlerinin (histogram, scatter, boxplot) araştırılması; korelasyon ve dağılım kavramlarının gözden geçirilmesi. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 5 | Doğrusal regresyon: Tek/çoklu değişkenli regresyon, en küçük kareler yöntemi, gradyan inişi (gradient descent) | Lineer cebir temellerinin (vektör, matris, matris çarpımı) tekrar edilmesi; türev ve kısmi türev konularının gözden geçirilmesi; en küçük kareler yöntemi hakkında ön okuma. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 6 | Lojistik regresyon ve sınıflandırma temelleri; sigmoid fonksiyonu, maliyet fonksiyonu, ikili ve çoklu sınıflandırma | Olasılık ve koşullu olasılık kavramlarının tekrar edilmesi; üstel ve logaritmik fonksiyonların gözden geçirilmesi; sigmoid fonksiyonu hakkında ön araştırma. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 7 | k-En Yakın Komşu (k-NN) ve Naive Bayes sınıflandırıcıları; uzaklık metrikleri ve olasılıksal yaklaşımlar | Öklid ve Manhattan uzaklıklarının matematiksel tanımlarının incelenmesi; Bayes teoreminin tekrar edilmesi; örnek sınıflandırma problemleri üzerine düşünme. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 8 | Ara Sınavlar | İlk yedi haftada işlenen tüm konuların kapsamlı tekrarı; ders notları, ödevler ve laboratuvar uygulamalarının gözden geçirilmesi; örnek sorular üzerinden çalışılması. | Ölçme Yöntemleri: Yazılı Sınav |
| 9 | Karar ağaçları, rastgele orman (random forest) ve topluluk öğrenme yöntemleri (boosting, bagging, XGBoost) | Entropi ve bilgi kazanımı (information gain) kavramlarının ön araştırılması; "ağaç" veri yapısının temel mantığının tekrar edilmesi; topluluk öğrenme felsefesi hakkında okuma yapılması. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 10 | Destek vektör makineleri (SVM); doğrusal ve doğrusal olmayan çekirdek (kernel) fonksiyonları | Doğrusal cebir ve hiperdüzlem (hyperplane) kavramının gözden geçirilmesi; optimizasyon problemlerinin temel mantığının araştırılması; çekirdek (kernel) kavramına giriş okuması. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 11 | Denetimsiz öğrenme: k-means, hiyerarşik kümeleme, DBSCAN; kümeleme değerlendirme metrikleri | Uzaklık ve benzerlik metriklerinin tekrar edilmesi; "etiketsiz veri" kavramının araştırılması; örnek müşteri segmentasyonu uygulamalarının incelenmesi. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 12 | Boyut indirgeme: Temel bileşen analizi (PCA), t-SNE; özellik çıkarma teknikleri | Özdeğer ve özvektör kavramlarının lineer cebirde gözden geçirilmesi; varyans kavramının tekrar edilmesi; yüksek boyutlu veri probleminin ("curse of dimensionality") araştırılması. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 13 | Yapay sinir ağlarına giriş: Algılayıcı (perceptron), çok katmanlı ağlar, ileri/geri yayılım, aktivasyon fonksiyonları | Biyolojik nöron ile yapay nöron benzetimi hakkında okuma yapılması; doğrusal cebir ve türev konularının tekrar edilmesi; aktivasyon fonksiyonlarının (ReLU, sigmoid, tanh) ön araştırılması. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 14 | Derin öğrenmeye giriş: CNN, RNN temelleri; TensorFlow/Keras ile uygulama; transfer öğrenme kavramı | Görüntü işleme temellerinin (piksel, kanal, filtre) gözden geçirilmesi; TensorFlow ve Keras kütüphanelerinin web sitelerinin incelenmesi; ön eğitilmiş modeller hakkında ön okuma. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 15 | Model değerlendirme, hiperparametre optimizasyonu, çapraz doğrulama; öğrenci proje sunumları | Dönem projesinin tamamlanması; karışıklık matrisi (confusion matrix) ve performans metriklerinin tekrar edilmesi; sunum dosyasının ve demo videosunun hazırlanması. | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 16 | Yarıyıl Sonu Sınavları | Dönem boyunca işlenen tüm konuların kapsamlı tekrarı; ara sınav sonrası işlenen konulara özel odaklanma; çözümlü örnek sorular üzerinden çalışılması. | Ölçme Yöntemleri: Yazılı Sınav |
| 17 | Yarıyıl Sonu Sınavları | Dönem boyunca işlenen tüm konuların kapsamlı tekrarı; ara sınav sonrası işlenen konulara özel odaklanma; çözümlü örnek sorular üzerinden çalışılması. | 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) | 14 | 2 | 28 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 1 | 20 | 20 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 2 | 2 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 2 | 2 |
| Toplam İş Yükü (Saat) | 94 | ||
| Toplam İş Yükü / 25 (s) | 3,76 | ||
| AKTS | 4 AKTS | ||