GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 9101055452024 | Denetimsiz Makine Öğrenmesi Yöntemleri | Seçmeli Ders Grubu | 1 | 1 | 8,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Dersin amacı, öğrencilere denetimsiz öğrenme yöntemlerini detaylı bir şekilde öğretmektir. Bu kapsamda, Temel Bileşenler Analizi, k-ortalama ve k-medoid kümeleme, hiyerarşik kümeleme ile birlikte model ve dağılıma dayalı kümeleme yöntemleri gibi temel modeller ve algoritmalar hem klasik, hem de bulanık yöntemler ele alınarak incelenecektir. Bu süreçte R programlama dili ve ve Weka yazılımı kullanılacak olup, öğrencilerden lineer cebir ve olasılık konularında temel bir bilgiye sahip olmaları beklenmektedir.
Dersi Veren Öğretim Görevlisi/Görevlileri
Prof.Dr.Gözde ULUTAGAY
Öğrenme Çıktıları
| 1 | Veri odaklı öğrenme konusunda bir anlayış geliştirme. |
| 2 | Veri boyutunu azaltma yeteneği kazanma. |
| 3 | Çeşitli kümeleme yöntemlerini veri üzerinde uygulama becerisi edinme. |
| 4 | Kümelenmiş veriyi etkili bir şekilde görselleştirebilme. |
| 5 | Kümeleme algoritmalarını değerlendirme ve model seçme süreçlerini anlama. |
| 6 | Kümeleme yöntemlerini uygulamak için R programlama dilini ve Weka yazılımını kullanabilme. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
Veri bölme, çapraz doğrulama ve bootstrap, Temel Bileşenler Analizi, kümelemede uzaklık ve benzerlik ölçüleri, Bölünmeye dayalı kümeleme yöntemleri (k-ortalamalar, bulanık c-ortalamalar, k-medoid, bulanık c-medoid), hiyerarşik kümeleme yöntemleri, modele dayalı kümeleme yöntemleri, komşuluğa/yoğunluğa dayalı klasik ve bulanık kümeleme yöntemleri (DBSCAN, FN-DBSCAN), küme geçerliliği yöntemleri
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Makine Öğrenimi ile İstatistik Arasındaki Fark: Büyük Örneklem Boyutu, Yüksek Boyut, Çok Değişkenli Yanıtlar | ||
| 2 | Veri bölme, çapraz doğrulama ve bootstrap | ||
| 3 | Temel Bileşenler Analizi | ||
| 4 | Kümelemede uzaklık ölçütleri- uzaklık ve benzerlik ölçme yöntemleri | ||
| 5 | Kümelemede uzaklık ölçütleri- veri standartlaştırma, uzaklık matrisi oluşturma ve uzaklık matrislerini görselleştirme | ||
| 6 | Bölünmeye dayalı kümeleme yöntemleri: k-ortalamalar, bulanık c-ortalamalar (FCM) | ||
| 7 | Bölünmeye dayalı kümeleme yöntemleri: k-medoids bulanık k-medoids | ||
| 8 | Hiyerarşik kümeleme yöntemleri | ||
| 9 | Modele dayalı kümeleme yöntemleri | ||
| 10 | Komşuluğa (Yoğunluğa) dayalı kümeleme yöntemleri: DBSCAN | ||
| 11 | Bulanık Komşuluğa (Yoğunluğa) dayalı kümeleme yöntemleri: FN-DBSCAN | ||
| 12 | Küme geçerliliği yöntemleri | ||
| 13 | Proje sunumları | ||
| 14 | Proje sunumları |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. Balaban, M.E., Kartal, E. (2015). Veri Madenciliği ve Makine Öğrenmesi. Çağlayan Kitabevi. 2. Ulutagay, G., Nasibov E. (2011). Fuzzy Neighborhood-Based Clustering: with Recent Theory and Applications, Lambert Academic Publishing 3. Apaydın, E. (2011). Yapay Öğrenme. Boğaziçi Üniversitesi Yayınevi. 4. Tom, M. Mitchell (1997). Machine Learning, McGrawHill, 5. Friedman J., Hastie, T., Tibshirani, R. (2013). The Elements of Statistical Learning Data Mining, Inference and Prediction Preface to the Second Edition. 6. James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R. Springer, New York. 7. Albalate, A. & Minker, W. (2011). Semi-Supervised and Unsupervised Machine Learning. John Wiley & Sons, Inc., London. 8. Alpar R. (2017). Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. Detay Yayıncılık.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Proje Hazırlama | 1 | 30 | 30 |
| Proje Sunma | 1 | 20 | 20 |
| Bireysel Çalışma | 14 | 9 | 126 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 25 | 25 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 30 | 30 |
| Performans | 14 | 1 | 14 |
| Toplam İş Yükü (saat) | 249 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | |
| ÖÇ 1 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 2 | 5 | 4 | 4 | 4 | 4 | 4 | 4 |
| ÖÇ 3 | 5 | 4 | 5 | 4 | 4 | 4 | 4 |
| ÖÇ 4 | 5 | 4 | 4 | 4 | 4 | 5 | 4 |
| ÖÇ 5 | 5 | 4 | 4 | 5 | 4 | 5 | 4 |
| ÖÇ 6 | 5 | 5 | 5 | 5 | 5 | 5 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek