| School/Faculty/Institute |
Gradutate School of Science and Engineering |
| Course Code |
BDA 502 |
| Course Title in English |
Introduction to Machine Learning |
| Course Title in Turkish |
Yapay Öğrenmeye Giriş |
| Language of Instruction |
EN |
| Type of Course |
Exercise,Flipped Classroom,Lecture |
| Level of Course |
Intermediate |
| Semester |
Spring |
| Contact Hours per Week |
| Lecture: 3 |
Recitation: 0 |
Lab: 0 |
Other: 0 |
|
| Estimated Student Workload |
157 hours per semester |
| Number of Credits |
7.5 ECTS |
| Grading Mode |
Standard Letter Grade
|
| Pre-requisites |
None |
| Expected Prior Knowledge |
Basic probability knowledge
Basic programming (python) knowledge
|
| Co-requisites |
None |
| Registration Restrictions |
Only Graduate Students |
| Overall Educational Objective |
To learn the basic data analytics process with on hands applications using modern tools to explore data by summarizing, slicing/dicing and analyzing data via graphical and quantitative tools. |
| Course Description |
This course will provide insight into the basics of using machine learning algorithms to quantify operational implications of the Big Data Analytics. The course content will introduce the main principles and methods of machine learning including Naïve Bayes, Support Vector Machines (SVM), Decision Trees, Neural Networks and others. This course aims to provide the theoretical and practical dimensions for the machine learning algorithms applied to real-world problems especially related to Big Data. |
| Course Description in Turkish |
Bu ders makine öğrenme algoritmaları kullanılarak Büyük Veri Analitiğinin operasyonel çıkarımlarının ölçülebilir hale getirilmesi konusunda bir çerveve sağlayacaktır. Dersin içeriği makine öğrenmede kullanılan temel ilke ve metotların (Naive Bayes, Support Vector Machines, Decision Trees vbg.) öğrencilere tanıtılmasını kapsamaktadır. Bu ders özellikle Büyük Veri ile ilgili gerçek dünya sorunlarına makine öğrenme algoritmalarını kullanarak teorik ve pratik boyut sağlamayı hedeflemektedir. |
Course Learning Outcomes and Competences
Upon successful completion of the course, the learner is expected to be able to:
1) Makine öğrenimi alanının temel tekniklerini ve konularını tartışmak
2) En yaygın boyutsallık azaltma algoritmalarını anlamak
3) Temel Bileşen Analizi (PCA) ve Fisher Doğrusal Diskriminantını uygulamak
4) En yaygın sınıflandırma ve kümeleme algoritmalarını anlamak
5) Destek Vektör Makinesi (SVM) ve diğer sınıflandırma algoritmalarını uygulamak
6) Bir problem göz önüne alındığında hangi makine öğrenimi algoritmasının uygulanacağına karar vermek
|
| Program Learning Outcomes/Course Learning Outcomes |
1 |
2 |
3 |
4 |
5 |
6 |
| 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) |
|
H |
|
| 2) |
|
H |
|
| 3) |
|
H |
|
| 4) |
|
S |
|
| 5) |
|
S |
|
| 6) |
|
H |
|
| 7) |
|
S |
|
| 8) |
|
N |
|
| 9) |
|
S |
|
| 10) |
|
N |
|
| Prepared by and Date |
, |
| Course Coordinator |
TUNA ÇAKAR |
| Semester |
Spring |
| Name of Instructor |
Dr. Öğr. Üyesi TUNA ÇAKAR |
Course Contents
| Hafta |
Konu |
| 1) |
Makine Öğrenimine Giriş
|
| 2) |
Makine Öğrenimine Giriş
|
| 3) |
Naïve Bayes |
| 4) |
Naïve Bayes |
| 5) |
Destek Vektör Makineleri (SVM) |
| 6) |
Destek Vektör Makineleri (SVM) |
| 7) |
Karar Ağaçları |
| 8) |
Karar Ağaçları |
| 9) |
Regresyon Modelleri
|
| 10) |
Aykırı Değerler
|
| 11) |
Kümeleme |
| 12) |
Kümeleme |
| 13) |
Özellik Seçimi (PCA)
|
| 14) |
Doğrulama ve Değerlendirme Metrikleri
|
| 15) |
Proje/Sunum Dönemi |
| 16) |
Proje/Sunum Dönemi |
Bilgi Paketi / Ders Kataloğu