AKTS - Örüntü Tanıma

Örüntü Tanıma (EE448) Ders Detayları

Ders Adı Ders Kodu Dönemi Saati Uygulama Saati Laboratuar Hours Kredi AKTS
Örüntü Tanıma EE448 Alan Seçmeli 3 0 0 3 5
Ön Koşul Ders(ler)i
N/A
Dersin Dili İngilizce
Dersin Türü Seçmeli Dersler
Dersin Seviyesi Fen Bilimleri Yüksek Lisans
Ders Verilme Şekli Yüz Yüze
Dersin Öğrenme ve Öğretme Teknikleri Anlatım, Tartışma, Uygulama-Alıştırma.
Dersin Koordinatörü
Dersin Öğretmen(ler)i
Dersin Asistan(lar)ı
Dersin Amacı 1. Örüntü tanımanın, Yapay Zeka alanındaki yeri hakkında bilgi vermek 2. Özellik oluşturma ve seçme, ses/ görüntü işleme, makine öğrenme yöntemleri (gözetimli ve gözetimsiz) konularında tanışıklık kazandırma 3. Seçilecek proje ile pratik yapma yeteneği
Dersin Eğitim Çıktıları Bu dersi başarıyla tamamlayabilen öğrenciler;
  • Örüntü tanımadaki çeşitli uygulamaları formüle etme ve tanımlama yeteneği
  • Örüntü tanımada Bayes yaklaşımının kullanımını anlamak
  • Teorik ve pratik olarak Bayes tabanlı olan ve olmayan sınıflandırıcıları tasarlamak ve kullanabilmek
  • Farklı sınıflandırıcı çeşitlerinin kuvvetli ve zayıf noktalarını tanımlayabilmek
  • Farklı kümeleme tekniklerini doğrulayabilmek ve kullanabilmek
  • Öznitelik seçme veya çıkartma sırasında boyut azaltma yöntemlerini uygulayabilmek
  • Örüntü tanıma algoritmalarını geliştirme ve test etmede bilgisayar araçlarını (Matlab gibi) kullanabilmek
  • Bir dönem projesini tamamlayabilmek
Dersin İçeriği Örüntü tanımaya giriş, Bayes karar verme teorisi, maksimum benzerlik kestirimi, doğrusal ve doğrusal olmayan sınıflandırma, perceptron, yapay sinir ağları, destek vektör makineleri, kümeleme, proje bazlı uygulamalar

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

Hafta Konular Ön Hazırlık
1 Örüntü tanımaya giriş Bu haftanın konularına ders kitabınızdan bakınız
2 Bayes karar kuramına dayalı sınıflandırıcılar Geçen haftayı tekrar edin ve bu haftanın konusunu kitabınızdan okuyun
3 Bayes karar kuramına dayalı sınıflandırıcılar Geçen haftayı tekrar edin ve bu haftanın konusuna çalışın
4 Doğrusal sınıflandırıcılar Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
5 Doğrusal olmayan sınıflandırıcılar Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
6 Doğrusal olmayan sınıflandırıcılar Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
7 Sınıflandırıcı kombinasyonu Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
8 Öznitelik seçimi Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
9 Öznitelik oluşturma Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
10 Öznitelik oluşturma Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
11 Kümeleme algoritmaları, çok boyutlu ölçekleme Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
12 Kümeleme algoritmaları, çok boyutlu ölçekleme Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
13 Uygulamalar: İmge ve konuşma işleme Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun
14 Uygulamalar: İmge ve konuşma işleme Geçen haftayı tekrar edin ve bu haftanın konusunu okuyun

Kaynaklar

Ders Kitabı 1. Pattern Recognition, S.Theodoridis and K.Koutroumbas,4th Ed., Academic Press, 2009.
Diğer Kaynaklar 2. Pattern Classification, R.O.Duda, P.E.Hart and D.G.Stork, John Wiley, 2001.
3. Pattern Recognition and Machine Learning, C.M.Bishop, Springer, 2006.
4. Introduction to Pattern Recognition A Matlab Approach, S.Theodoridis, A.Pikrakis, K.Koutroumbas, D.Cavouras, Academic Press, 2010.

Değerlendirme System

Çalışmalar Sayı Katkı Payı
Devam/Katılım - -
Laboratuar - -
Uygulama - -
Alan Çalışması - -
Derse Özgü Staj - -
Küçük Sınavlar/Stüdyo Kritiği - -
Ödevler 3 15
Sunum - -
Projeler 1 20
Rapor - -
Seminer - -
Ara Sınavlar/Ara Juri 1 25
Genel Sınav/Final Juri - -
Toplam 5 60
Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı 55
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı 45
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 ve Mühendislik bilgisini, ileri düzey sistemlere uygulayabilmek. X
2 Elektrik ve Elektronik Mühendisliği'nin temel alanlarında uzun soluklu araştırma ve geliştirme çalışmaları gerçekleştirebilmek. X
3 Modern mühendislik araçlarını, tekniklerini ve imkânlarını, tasarım ve diğer mühendislik uygulamalarında kullanabilmek. X
4 Yenilikçilik ve girişimcilik alanlarında aktif araştırmacılar mezun etmek.
5 Araştırma sonuçlarını etkin şekilde raporlayabilmek ve sunabilmek.
6 Bilgi kaynaklarına erişme ve bilim/teknolojideki güncel gelişmeleri izleme başarımını arttırabilmek.
7 Profesyonel ve etik sorumluluğu kavrayabilmek.
8 Hem Türkçe hem de İngilizce etkin iletişim başarımını arttırabilmek.
9 Proje yönetiminde başarımı arttırabilmek.
10 Disiplinler arası proje takımlarında başarıyla çalışabilmek.

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 4 4 16
Derse Özgü Staj
Alan Çalışması
Sınıf Dışı Ders Çalışma Süresi 14 3 42
Sunum/Seminer Hazırlama 1 4 4
Projeler
Raporlar
Ödevler
Küçük Sınavlar/Stüdyo Kritiği
Ara Sınavlara/Ara Juriye Hazırlanma Süresi 2 2 4
Genel Sınava/Genel Juriye Hazırlanma Süresi 1 3 3
Toplam İş Yükü 117