GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 9101055482024 | Denetimli Makine Öğrenmesi Yöntemleri | Seçmeli Ders Grubu | 1 | 2 | 8,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Denetimli makine öğrenmesi, bir çıktı değişkeninin tahminlenmesi veya kestirilmesi amacıyla bir veya birden çok girdi değişkeni kullanılarak istatistiksel modellerin oluşturulduğu bir alandır. Bu alandaki araçlar genellikle regresyon ve sınıflama olarak iki ana kategoriye ayrılır. Bu ders, doğrusal regresyon, lojistik regresyon, doğrusal ve ikinci dereceden ayrılma analizi, spline modelleri, genelleştirilmiş toplanabilir modeller, regresyon ve sınıflama ağaçları, rassal orman gibi birçok popüler regresyon ve sınıflama yöntemini kapsamaktadır. Öğrencilere, bu yöntemlerin performanslarını değerlendirme becerisi kazandırılacaktır. Yöntemleri uygulamak için R ve Weka yazılımları kullanılacaktır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Prof.Dr.Gözde ULUTAGAY
Öğrenme Çıktıları
| 1 | Makine öğrenme tekniklerinin farklılıkları ve benzerliklerini kavrayabilme |
| 2 | İki düzeyli ve sürekli yanıt değişkenleri için regresyon modelleri oluşturmak ve tahminler yapabilme, |
| 3 | Uzaklık tabanlı yöntemleri kullanarak veriyi sınıflandırma yeteneği kazanma, |
| 4 | Parçalı modeller oluşturarak veri analizi yapabilme, |
| 5 | Girdi değişkenlerinin doğrusal olmayan fonksiyonları için model kurma becerisi geliştirme, |
| 6 | Ağaç tabanlı yöntemleri kullanarak veriyi analiz edebilme, |
| 7 | Model için tanı koyabilme yeteneği kazanm ve oluşturulan modellerin performansını değerlendirebilmek. |
| 8 | R ve Weka yazılımlarını kullanarak model oluşturma, görselleştirme ve performans testi yapabilme becerisi edinme. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
Basit ve Çoklu Regresyon, Lojistik Regresyon (tahminleme ve model seçimi), doğrusal ayırma analizi, regresyon ağaçları, sınıflandırma ve karar ağaçları, rassal ormanlar, yapay sinir ağları
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Sınıflandırma Modelinin Performans Değerlendirmesi (Sensitivity, Specificity, ErrorRate, Confusion Matrix) | ||
| 2 | Basit Doğrusal Regresyon | ||
| 3 | Çoklu Doğrusal Regresyon | ||
| 4 | Model seçimi | ||
| 5 | Tanı Koyma (Uçdeğerler, Etkin Gözlemler, Çoklu Doğrusal Bağlantı, Farklı varyanslılık, Normallik) | ||
| 6 | Lojistik Regresyon, Tahminleme, Tanı koyma | ||
| 7 | Lojistik Regresyon, Model Seçimi, Kestirim (ROC eğrisi) | ||
| 8 | Doğrusal Ayırma Analizi | ||
| 9 | Regresyon Ağaçları | ||
| 10 | Sınıflandırma Ağaçları | ||
| 11 | Rassal Ormanlar | ||
| 12 | Destek Vektör Makineleri | ||
| 13 | Yapay sinir ağları | ||
| 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 | 3 | 3 | 3 | 4 | 5 | 3 |
| ÖÇ 2 | 3 | 3 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 3 | 3 | 3 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 4 | 4 | 5 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 5 | 4 | 5 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 6 | 4 | 3 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 7 | 4 | 4 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 8 | 5 | 4 | 5 | 4 | 4 | 5 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek