Bilgi Paketi / Ders Kataloğu
| Büyük Veri Analitiği (İngilizce) (Tezsiz) | |||||
| Yüksek Lisans | Programın Süresi: 1.5 | Kredi Sayısı: 90 | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF: 7. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Lisansüstü Eğitim Enstitüsü | |||||
| Ders Kodu | BDA 502 | |||||
| Ders Adı İngilizce | Introduction to Machine Learning | |||||
| Ders Adı Türkçe | Yapay Öğrenmeye Giriş | |||||
| Öğretim Dili | EN | |||||
| Ders Türü | Alıştırma,Ters-Yüz Öğrenme,Ders | |||||
| Dersin Düzeyi | Orta | |||||
| Dönem | Bahar | |||||
| Haftalık İletişim Saatleri |
|
|||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 164 saat | |||||
| Ders Kredileri | 7.5 AKTS | |||||
| Değerlendirme | Standart Harf Notu | |||||
| Ön Koşul | Yok | |||||
| Yan Koşul | Yok | |||||
| Beklenen Ön Bilgi | Temel olasılık bilgisi Temel programlama (python) bilgisi | |||||
| Kayıt Kısıtlamaları | Sadece Yüksek Lisans Öğrencileri | |||||
| Genel Eğitim Hedefi | Grafiksel ve niceliksel araçlar aracılığıyla verileri özetleyerek, dilimleyerek/parçalayarak ve analiz ederek verileri keşfetmek için modern araçları kullanarak temel veri analitiği sürecini mevcut uygulamalarla öğrenmek. | |||||
| Ders Açıklaması | 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. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler: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 Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| 1) Lisans derecesi sırasında edinilen beceriler üzerine inşa edilen, makine öğrenimiyle ilgili büyük veri analitiği alanında geliştirilmiş ve derinleştirilmiş bir uzmanlık düzeyi. | ||||||
| 2) Makine öğrenimiyle ilgili istatistik, hesaplama ve bilgisayar bilimi alanlarında derinlemesine teorik ve pratik bilgi uygulanmıştır. | ||||||
| 3) Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. | ||||||
| 4) Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. | ||||||
| 5) Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. | ||||||
| 6) Makine öğrenimi, işleme, kullanım, yorumlama ve yayma aşamaları ve ilgili tüm mesleki faaliyetlerle ilgili sosyal, bilimsel ve etik değerlerin farkında olma. | ||||||
| 7) Makine öğrenimi alanındaki yeni ve ortaya çıkan uygulamalar hakkında profesyonel farkındalık ve bunların kullanımlarını gösterme becerisi. | ||||||
| 8) Çok disiplinli takımlarda lider olarak hareket etme, karmaşık durumlara büyük veri odaklı çözümler geliştirme yeteneği; sorumluluk almak. | ||||||
| 9) Avrupa Dil Portföyü Genel Seviye B2'de hem sözlü hem de yazılı olarak İngilizce iletişim kurabilme yeteneği. | ||||||
| 10) Makine öğrenimi uygulamalarının sosyal ve çevresel yönlerini anlama. |
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme | |
| 1) | Lisans derecesi sırasında edinilen beceriler üzerine inşa edilen, makine öğrenimiyle ilgili büyük veri analitiği alanında geliştirilmiş ve derinleştirilmiş bir uzmanlık düzeyi. | H | |
| 2) | Makine öğrenimiyle ilgili istatistik, hesaplama ve bilgisayar bilimi alanlarında derinlemesine teorik ve pratik bilgi uygulanmıştır. | H | |
| 3) | Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. | H | |
| 4) | Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. | S | |
| 5) | Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. | S | |
| 6) | Makine öğrenimi, işleme, kullanım, yorumlama ve yayma aşamaları ve ilgili tüm mesleki faaliyetlerle ilgili sosyal, bilimsel ve etik değerlerin farkında olma. | H | |
| 7) | Makine öğrenimi alanındaki yeni ve ortaya çıkan uygulamalar hakkında profesyonel farkındalık ve bunların kullanımlarını gösterme becerisi. | S | |
| 8) | Çok disiplinli takımlarda lider olarak hareket etme, karmaşık durumlara büyük veri odaklı çözümler geliştirme yeteneği; sorumluluk almak. | N | |
| 9) | Avrupa Dil Portföyü Genel Seviye B2'de hem sözlü hem de yazılı olarak İngilizce iletişim kurabilme yeteneği. | S | |
| 10) | Makine öğrenimi uygulamalarının sosyal ve çevresel yönlerini anlama. | N |
| Hazırlayan ve Tarih | , |
| Ders Koordinatörü | TUNA ÇAKAR |
| Dönem | Bahar |
| Dersi Veren(ler) | Dr. Öğr. Üyesi TUNA ÇAKAR |
Ders İçeriği
| 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 |
| Gerekli/Tavsiye Edilen Okumalar | Yok | |||||||||||||||
| Öğretme Teknikleri | Flipped sınıf/Uygulama/Laboratuvar/Aktif öğrenme | |||||||||||||||
| Ödev ve Projeler | Öğrencilerin final sınavına girebilmeleri için bir portfolyo doldurmaları gerekmektedir. | |||||||||||||||
| Laboratuvar Çalışması | Öğrenciler laboratuvar saatlerini kullanarak öğrendikleri yöntemleri uygulayacak | |||||||||||||||
| Bilgisayar Kullanımı | Öğrenciler laboratuvar saatlerini kullanarak öğrendikleri yöntemleri uygulayacak | |||||||||||||||
| Diğer Aktiviteler | Yok | |||||||||||||||
| Değerlendirme Yöntemleri |
|
|||||||||||||||
| Ders Yönetimi |
cakart@mef.edu.tr 02123953600 |
|||||||||||||||
AKTS Öğrenci İş Yükü Tahmini
| AKtivite | Hafta Sayısı | Saat | Hesaplama | ||||
| Yarıyıl Başına Hafta Sayısı | Etkinliğe Hazırlık | Etkinliğin Kendisinde Harcanan | Etkinlik Gereksinimlerini Tamamlama | ||||
| Ders Saati | 14 | 2 | 1.5 | 2 | 77 | ||
| Proje | 9 | 2 | 4 | 54 | |||
| Final | 1 | 30 | 3 | 33 | |||
| Toplam İş Yükü | 164 | ||||||
| Toplam İş Yükü/25 | 6.6 | ||||||
| AKTS | 7.5 | ||||||