School/Faculty/Institute |
Graduate School |
Course Code |
ITC 548 |
Course Title in English |
Real World Applications of Machine Learning and Deep Learning |
Course Title in Turkish |
Makine Öğrenimi ve Derin Öğrenmenin Gerçek Dünya Uygulamaları |
Language of Instruction |
EN |
Type of Course |
Flipped Classroom |
Level of Course |
Intermediate |
Semester |
Bahar |
Contact Hours per Week |
Lecture: 3 |
Recitation: 0 |
Lab: 0 |
Other: 0 |
|
Estimated Student Workload |
187 hours per semester |
Number of Credits |
7.5 ECTS |
Grading Mode |
Standard Letter Grade
|
Pre-requisites |
None |
Expected Prior Knowledge |
None |
Co-requisites |
None |
Registration Restrictions |
Only Graduate Students |
Overall Educational Objective |
To develop technical skills and gain practical expertise necessary for designing machine and deep learning based intelligent systems that solve challenging engineering, science, health care and business problems. |
Course Description |
This course covers the application of machine learning and deep learning approaches to real world problems. Topics include supervised learning, feed-forward neural networks, convolutional neural networks and recurrent neural networks, and their application to complex engineering problems in data-rich domains. |
Course Description in Turkish |
Bu ders makine öğrenimi ve derin öğrenme yöntemlerinin gerçek dünya problemlerine uygulanmalarını içermektedir. Konular, gözetimli öğrenme, ileri-yönlü sinir ağları, evrişimsel sinir ağları ve yinelemeli sinir ağları ile bu yöntemlerin veri açısından zengin alanlarındaki karmaşık mühendislik problemlerine uygulanmasını içerir. |
Course Learning Outcomes and Competences
Upon successful completion of the course, the learner is expected to be able to:
1) Makine öğrenimi ve derin öğrenme yöntemlerini kullanmanın temel ilkelerini bilmek
2) Denetimli öğrenme yöntemlerini ve ileri beslemeli sinir ağlarını gerçek dünya sorunlarını uygulamak
3) Gerçek dünya görüntü işleme/bilgisayarlı görme uygulamalarında evrişimli sinir ağlarını kullanmak
4) Tekrarlayan sinir ağlarını doğal dil işleme problemlerini uygulamak
5) Farklı alanlarda makine öğrenimi ve derin öğrenme yöntemlerinin performansını değerlendirmek
|
Program Learning Outcomes/Course Learning Outcomes |
1 |
2 |
3 |
4 |
5 |
1) |
|
|
|
|
|
2) |
|
|
|
|
|
3) |
|
|
|
|
|
4) |
|
|
|
|
|
5) |
|
|
|
|
|
6) |
|
|
|
|
|
7) |
|
|
|
|
|
8) |
|
|
|
|
|
9) |
|
|
|
|
|
10) |
|
|
|
|
|
Relation to Program Outcomes and Competences
N None |
S Supportive |
H Highly Related |
|
|
|
|
Program Outcomes and Competences |
Level |
Assessed by |
1) |
|
N |
|
2) |
|
N |
|
3) |
|
N |
|
4) |
|
N |
|
5) |
|
N |
|
6) |
|
N |
|
7) |
|
N |
|
8) |
|
N |
|
9) |
|
N |
|
10) |
|
N |
|
Prepared by and Date |
, |
Course Coordinator |
TUNA ÇAKAR |
Semester |
Bahar |
Name of Instructor |
|
Course Contents
Hafta |
Konu |
1) |
Makine Öğrenimi ve Derin Öğrenme Kavramlarına Giriş |
2) |
Denetimli Öğrenme Uygulamaları |
3) |
İleri Beslemeli Sinir Ağları |
4) |
Evrişimsel Sinir Ağları
|
5) |
Derin Öğrenme Görüntüsü Veri Kümesi Oluşturma
|
6) |
Performans Değerlendirmesi: Eğitim, Test ve Doğrulama
|
7) |
Gerçek Dünya Görüntü İşleme / Bilgisayarlı Görü Uygulamaları – Bölüm 1
|
8) |
Gerçek Dünya Görüntü İşleme / Bilgisayarlı Görü Uygulamaları – Bölüm 2 |
9) |
Gerçek Dünya Görüntü İşleme / Bilgisayarlı Görü Uygulamaları – Bölüm 3 |
10) |
Dönem Projesi İlerleme Sunumları |
11) |
Gerçek Dünya Doğal Dil İşleme Uygulamaları – Bölüm 1
|
12) |
Gerçek Dünya Doğal Dil İşleme Uygulamaları – Bölüm 2 |
13) |
Gerçek Dünya Doğal Dil İşleme Uygulamaları – Bölüm 3 |
14) |
Dönem Projesi Sunumları |
15) |
Proje/Sunum Dönemi |
16) |
Proje/Sunum Dönemi |
Required/Recommended Readings | Introduction to Machine Learning, Ethem Alpaydın, MIT Press, 3rd Edition (2015)
Deep Learning with Python, François Chollet, Manning, Second Edition (2021)
|
Teaching Methods | Flipped Classroom |
Homework and Projects | Assignments, Term Project |
Laboratory Work | None |
Computer Use | Required |
Other Activities | None |
Assessment Methods |
Assessment Tools |
Count |
Weight |
Ödev |
1 |
% 20 |
Projeler |
1 |
% 45 |
Final |
1 |
% 35 |
TOTAL |
% 100 |
|
Course Administration |
Academic dishonesty and plagiarism will be subject to Law on Higher Education Article 54. |