GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 9103026532014 | Örüntü Tanıma Uygulamaları | Seçmeli Ders Grubu | 1 | 1 | 9,00 |
Dersin Seviyesi
Doktora
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Öğrencilerin; istatistiksel örüntü tanıma algoritmalarını ve sınıflandırıcılarının performans değerlendirilmesinde kullanılan metotları ve ölçütleri kavraması amaçlanmaktadır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Doç. Dr. Erkan Zeki ENGİN
Öğrenme Çıktıları
| 1 | Uygulamada gerekli algoritmaların yazılım/donanım ortamında gerçekleştirilmesi, |
| 2 | Elde edilen sonuçların,derlenmesi ve sunumunun gerçekleştirilebilmesi |
| 3 | Örüntü tanıma işlemleri için gerekli matematiksel analizleri yapabilme, |
| 4 | Örüntü tanım yardımıyla,sistemlerden bilgi çıkartabilme ve sınıflamada kullanabilme, |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
• Giriş • Bayesian Karar Teorisi • En büyük Olasılık ve Bayesian Parametre Kestirimi • Parametrik Olmayan Teknikler • Doğrusal Ayrım Fonksiyonları • Algoritmadan Bağımsız Makine Öğrenme • Eğiticisiz Öğrenme ve Kümeleme
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | GİRİŞ: Örüntü tanıma sistemleri, tasarım döngüsü, öğrenme | ||
| 2 | BAYESIAN KARAR TEORİSİ: Bayesian karar teorisi – sürekli öznitelikler, minimum-hata-oranı sınıflama, sınıflandırıcılar, ayrım fonksiyonları ve karar yüzeyleri | ||
| 3 | BAYESIAN KARAR TEORİSİ: Normal yoğunluk, normal yoğunluklar için ayrım fonksiyonları, Bayesian karar teorisi – ayrık öznitelikler | ||
| 4 | EN BÜYÜK OLASILIK VE BAYESIAN PARAMETRE KESTİRİMİ: Maksimum-olasılık kestirimi, Bayesian kestirimi, Bayesian parametre kestirimi: Gaussian durumu | ||
| 5 | EN BÜYÜK OLASILIK VE BAYESIAN PARAMETRE KESTİRİMİ: Bayesian parametre kestirimi: Genel teori, boyut problemleri, bileşen analizi ve ayrımlar | ||
| 6 | PARAMETRİK OLMAYAN TEKNİKLER: Yoğunluk kestirimi, Parzen pencereleri, k-en yakın komşuluk kestirimi | ||
| 7 | PARAMETRİK OLMAYAN TEKNİKLER: En yakın komşuluk kuralı, metrikler ve en yakın komşuluk sınıflandırması | ||
| 8 | Ara sınav | ||
| 9 | DOĞRUSAL AYRIM FONKSİYONLARI: Doğrusal ayrım fonksiyonları ve karar yüzeyleri, genelleştirilmiş doğrusal ayrım fonksiyonları, iki kategorili doğrusal ayrılabilme durumu, algılayıcı kriteri fonksiyonunun minimize edilmesi | ||
| 10 | DOĞRUSAL AYRIM FONKSİYONLARI: Minimum karesel-hata prosedürleri, destek vektör makinaları | ||
| 11 | ALGORİTMADAN BAĞIMSIZ MAKİNE ÖĞRENME: Bias ve varyans, sınıflandırıcıların kestirilimi ve karşılaştırılması | ||
| 12 | ALGORİTMADAN BAĞIMSIZ MAKİNE ÖĞRENME: Sınıflandırıcıların kestirilimi ve karşılaştırılması, sınıflandırıcıların birleştirilmesi | ||
| 13 | EĞİTİCİSİZ ÖĞRENME VE KÜMELEME: Hiyerarşik kümeleme, k-ortalama kümeleme | ||
| 14 | EĞİTİCİSİZ ÖĞRENME VE KÜMELEME: Bileşen analizi | ||
| 15 | |||
| 16 | Final sınavı |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
R.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, John Wiley & Sons, 2001
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 57 |
| Ev Ödevi | 1 | 43 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 70 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 30 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Final Sınavı | 1 | 3 | 3 |
| Derse Katılım | 14 | 3 | 42 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 56 | 56 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 70 | 70 |
| Ev Ödevi | 5 | 17 | 85 |
| Toplam İş Yükü (saat) | 256 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | |
| ÖÇ 1 | 5 | |||||
| ÖÇ 2 | 5 | |||||
| ÖÇ 3 | 5 | |||||
| ÖÇ 4 | 5 | 3 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek