AKTS - Mühendisler için Makine Öğrenmesi
Mühendisler için Makine Öğrenmesi (CMPE468) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Mühendisler için Makine Öğrenmesi | CMPE468 | Alan Seçmeli | 3 | 0 | 0 | 3 | 5 |
| Ön Koşul Ders(ler)i |
|---|
| N/A |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Seçmeli Dersler |
| Dersin Seviyesi | Lisans |
| Ders Verilme Şekli | Yüz Yüze |
| Dersin Öğrenme ve Öğretme Teknikleri | Anlatım. |
| Dersin Öğretmen(ler)i |
|
| Dersin Amacı | Bu dersin amacı; Makine öğrenmesi kavramlarını, algoritmalarını ve bunların mühendislik alanına uygulanmasını ileri seviye kalkülüs, lineer cebir ve olasılık teorisi gerektirmeden sağlamak ve farklı disiplinlerden öğrenciler ile oluşturulan disiplinler arası takım çalışması ile bir proje geliştirme becerisinin kazandırılmasıdır. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Yapay zeka, makine öğrenmesi, denetimli ve denetimsiz öğrenme, ikili sınıflandırma, çoklu sınıflandırma, kestirim, kümeleme, modellerin başarımını ölçmek. |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Neden Makine öğrenmesi? İlk örnek uygulama: Iris çiçeğinin sınıflandırılması | Ünite 1 (ana ders kitabı) |
| 2 | Denetimli öğrenme: Sınıflandırma ve Kestirim | Ch. 2.1 |
| 3 | K-En Yakın Komşular Algoritması | Ch. 2.2 |
| 4 | Lineer Modeller | Ch. 2.3 |
| 5 | Naive Bayes Sınıflandırıcı | Ch. 2.4 |
| 6 | Karar Ağaçları | Ch. 2.5 |
| 7 | Rastgele Ağaçlar | Ch. 2.6 |
| 8 | Destek Vektör Makineleri | Ch. 2.7 |
| 9 | Denetimsiz öğrenme | Ch. 3.1 |
| 10 | Kümeleme: K-Means Algoritması | Ch. 3.5 |
| 11 | Modellerini başarımını ölçmek: Çapraz doğrulama, birini-dışarıda-bırak, grid tarama | Ch 5.1 |
| 12 | Başarımın Ölçütleri ve Puanlaması | Ch. 5.2 |
| 13 | Proje sunumları | |
| 14 | Proje Sunumları |
Kaynaklar
| Ders Kitabı | 1. Introduction to Machine Learning with Python, A Guide for Data Scientists by Andreas C. Müller and Sarah Guido, O’Reilly Media, Inc, October 2016 |
|---|---|
| Diğer Kaynaklar | 3. Machine Learning 101, Data Science. Nov 26, 2018 |
| 4. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems / Aurelien Geron. | |
| 5. Introduction to Machine Learning, Ethem Alpaydin. MIT Press, 2014. | |
| 6. Orange web site, https://orange.biolab.si/ |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | - | - |
| Laboratuar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | - | - |
| Ödevler | - | - |
| Sunum | - | - |
| Projeler | 1 | 30 |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 30 |
| Genel Sınav/Final Juri | 1 | 40 |
| Toplam | 3 | 100 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 60 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 40 |
| Toplam | 100 |
Kurs Kategorisi
| Temel Meslek Dersleri | X |
|---|---|
| Uzmanlık/Alan Dersleri | |
| Destek Dersleri | |
| 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 ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi kazanır. | |||||
| 2 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi kazanır; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi kazanır. | |||||
| 3 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi ve bu amaçla modern tasarım yöntemlerini uygulama becerisi kazanır. | |||||
| 4 | Endüstri mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi kazanır; bilişim teknolojilerini etkin bir şekilde kullanma becerisi kazanır. | |||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi kazanır. | |||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi ve bireysel çalışma becerisi kazanır. | |||||
| 7 | Türkçe 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 becerisi edinir. | |||||
| 8 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi kazanır. | |||||
| 9 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci kazanır. Endüstri mühendisliği uygulamalarında kullanılan standartlar hakkında bilgi edinir. | |||||
| 10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi edinir. Girişimcilik, yenilikçilik hakkında farkındalık kazanır. Sürdürülebilir kalkınma hakkında bilgi edinir. | |||||
| 11 | Endüstri mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi edinir. Mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık kazanır. | |||||
| 12 | İnsan, malzeme, bilgi, teçhizat ve enerji içeren entegre sistemlerin tasarlanması, geliştirilmesi, uygulanması ve iyileştirilmesi konularında beceri kazanır. | |||||
| 13 | Sistem entegrasyonunu sağlamaya yönelik uygun analitik ve deneysel yöntemler ile hesaplama yöntemleri konusunda bilgi edinir. | |||||
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 | 1 | 10 | 10 |
| Raporlar | |||
| Ödevler | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 10 | 10 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 15 | 15 |
| Toplam İş Yükü | 115 | ||