AKTS - Örüntü Tanıma

Örüntü Tanıma (CMPE467) Ders Detayları

Ders Adı Ders Kodu Dönemi Saati Uygulama Saati Laboratuar Hours Kredi AKTS
Örüntü Tanıma CMPE467 Alan Seçmeli 3 0 0 3 5
Ön Koşul Ders(ler)i
N/A
Dersin Dili İngilizce
Dersin Türü Teknik Seçmeli Dersler
Dersin Seviyesi Lisans
Ders Verilme Şekli Yüz Yüze
Dersin Öğrenme ve Öğretme Teknikleri Anlatım.
Dersin Koordinatörü
Dersin Öğretmen(ler)i
Dersin Asistan(lar)ı
Dersin Amacı Bu dersin amacı öğrencinin Bayes karar teorisi, doğrusal ayırtaçlar, karar ağaçları, en yakın komşu kümelemesi, yapay sinir ağları gibi temel örüntü tanıma yaklaşımlarına aşina olmasını sağlamaktır.
Dersin Eğitim Çıktıları Bu dersi başarıyla tamamlayabilen öğrenciler;
  • Örüntü tanımada yer alan temel sınıflandırma ve kümeleme teknikleri açıklayabilme
  • Sınıflandırma için Bayes karar teorisi kullanabilme
  • Sınıflandırma için Doğrusal ayırtaçları kullanabilme
  • Saklı Markof modellerini kullanabilme
  • Yapay sinir ağlarını kullanabilme
  • Kümeleme yöntemlerini uygulayabilme
Dersin İçeriği Bayes karar teorisi, sınıflandırıcılar, doğrusal ayırtaçlar ve karar verme yüzeyleri, parametre kestirimi, saklı Markov modelleri, en yakın komşu kümelemesi, doğrusal ayırtaçlar, yapay sinir ağları, karar ağaçları, sıradüzensel kümeleme, öz düzenleyici özellik haritaları.

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

Hafta Konular Ön Hazırlık
1 Temel bilgiler Bölüm 1 (ana kaynak)
2 Bayes karar teorisi Bölüm 2
3 Bayes karar teorisi Bölüm 2
4 Bayes karar teorisi Bölüm 2
5 En büyük olabilirlik ve Bayes parametre kestirimi Bölüm 3
6 En büyük olabilirlik ve Bayes parametre kestirimi Bölüm 3
7 Parametrik olmayan teknikler Bölüm 4
8 Parametrik olmayan teknikler Bölüm 4
9 Doğrusal ayırtaçlar Bölüm 5
10 Doğrusal ayırtaçlar Bölüm 5
11 Çok katmanlı yapay sinir ağları Bölüm 6
12 Metrik olmayan yöntemler Bölüm 8
13 Güdümsüz öğrenme ve kümeleme Bölüm 10
14 Güdümsüz öğrenme ve kümeleme Bölüm 10

Kaynaklar

Ders Kitabı 1. R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification, New York: John Wiley, 2001,
Diğer Kaynaklar 2. 1. R. Schalkoff, Pattern Recognition: Statistical, Structural and Neural Approaches, Wiley, 1991.
3. 2. S.Theodoridis, K. Koutroumbas, Pattern Recognition, Elsevier, 2003.
4. 3. L. I. Kuncheva, Combining Pattern Classifiers: Methods and Algorithms, Wiley, 2004.

Değerlendirme System

Çalışmalar Sayı Katkı Payı
Devam/Katılım 1 5
Laboratuar - -
Uygulama - -
Alan Çalışması - -
Derse Özgü Staj - -
Küçük Sınavlar/Stüdyo Kritiği - -
Ödevler 3 30
Sunum - -
Projeler - -
Rapor - -
Seminer - -
Ara Sınavlar/Ara Juri 2 40
Genel Sınav/Final Juri 1 30
Toplam 7 105
Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı 70
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı 30
Toplam 100

Kurs Kategorisi

Temel Meslek Dersleri
Uzmanlık/Alan Dersleri
Destek Dersleri X
İletişim ve Yönetim Becerileri Dersleri
Aktarılabilir Beceri Dersleri

Dersin Öğrenim Çıktılarının Program Yeterlilikleri ile İlişkisi

# Program Yeterlilikleri / Çıktıları Katkı Düzeyi
1 2 3 4 5
1 Matematik, fen bilimleri ve yazılım mühendisliği disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi. X
2 Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. X
3 Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. X
4 Yazılım mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. X
5 Karmaşık mühendislik problemlerinin veya yazılım mühendisliği disiplinine özgü araştırma konularının incelenmesi için, veri toplama, sonuçları analiz etme ve yorumlama becerisi.
6 Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi.
7 Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi.
8 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 becerisi.
9 Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi.
10 Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci.
11 Yazılım mühendisliği uygulamalarında kullanılan standartlar hakkında bilgi.
12 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi.
13 Girişimcilik ve yenilikçilik hakkında farkındalık.
14 Sürdürülebilir kalkınma hakkında bilgi.
15 Yazılım mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi.
16 Mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık.
17 Yazılım alternatiflerini irdeleyerek bilgisayar tabanlı sistemlerin modellenmesi ve tasarımında, algoritma prensiplerini, matematiksel temelleri ve bilgisayar bilimleri teorisini uygulama becerisi. X
18 Yazılım sistemlerinin analiz, tasarım, uygulama, doğrulama, geçerleme ve bakım süreçlerini uygulayarak geliştirilmesinde mühendislik yaklaşımlarını uygulama becerisi.

ECTS/İş Yükü Tablosu

Aktiviteler Sayı Süresi (Saat) Toplam İş Yükü
Ders saati (Sınav haftası dahildir: 16 x toplam ders saati) 16 3 48
Laboratuar
Uygulama
Derse Özgü Staj
Alan Çalışması
Sınıf Dışı Ders Çalışma Süresi 16 2 32
Sunum/Seminer Hazırlama
Projeler
Raporlar
Ödevler 3 4 12
Küçük Sınavlar/Stüdyo Kritiği
Ara Sınavlara/Ara Juriye Hazırlanma Süresi 2 10 20
Genel Sınava/Genel Juriye Hazırlanma Süresi 1 15 15
Toplam İş Yükü 127