Türkçe


BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) BÖLÜMÜ
DERS TANITIM VE UYGULAMA BİLGİLERİ
Ders Adı Kodu Yılı Yarıyılı Süresi (T+U) Kredisi AKTS Kredisi
MACHINE LEARNING CMP513 1 2 3+0 3.0 8.0


Ders Bilgileri
Dersin Öğretim Dili İngilizce
Dersin Düzeyi Yüksek Lisans , TYYÇ: 7. Düzey , EQF-LLL: 7. Düzey , QF-EHEA: 2. Düzey
Dersin Türü Bölümde Seçmeli
Dersin Veriliş Şekli Uzaktan Eğitim
Ders zorunlu veya opsiyonel iş deneyimi gerektiriyor mu ? Hayır
Dersin Koordinatörü
Dersi Veren(ler)
Dersin Yardımcıları

Dersin Öncesinde ve/veya Ders ile Birlikte Alınması Zorunlu Dersler
DERS KATEGORİSİ
Dersin Kategorisi Katkı Yüzdesi
Temel Mesleki Ders % 50
Uzmanlık / Alan Dersi % 50
Destek Dersi -
Beşeri, İletişim ve Yönetim Becerileri Dersi -
Aktarılabilir Beceri Dersi -

Amaç ve İçeriği
Dersin Amacı Python ve R'de Makine Öğreniminde Uzmanlaşma, doğru tahminler yapmak ve sağlam Makine Öğrenimi modelleri oluşturmak
Dersin İçeriği Makine öğrenimi ile analitik model oluşturmayı otomatikleştirmek için veri analizi. Sistemlerin verilerden öğrenebilmesini, kalıpları tanımlayabilmesini ve minimum insan müdahalesi ile karar verebilmesini sağlamak.
Dersin Meslek Eğitimini Sağlamaya Yönelik Katkısı Boyut Küçültme (regresyon) gibi ileri tekniklerin kullanılması ve Güçlendirilmiş Öğrenme, NLP ve Derin Öğrenme gibi konularda bilgi sahibi olma, Mühendislik problemlerinde matematik ve fen bilgisi bilgisi ve anlayışı, Karmaşık mühendislik sistemleri ile ilgili verileri multidisipliner bir bağlamda analiz etme ve yorumlama becerisi. Bilmediğiniz karmaşık mühendislik problemlerini tanımlama, formüle etme ve çözme becerisi, Karmaşık problem çözmede sistem düşüncesini uygulama becerisi, Bağımsız yaşam boyu öğrenme becerisi, daha ileri çalışmaları özerk bir şekilde üstlenme becerisi, Literatür taraması yapabilme, karmaşık teknik konuları takip edebilme ve karmaşık mühendislik problemlerini açık bir şekilde ifade etmek için çeşitli yöntemler kullanabilme becerisi, Karmaşık mühendislik problemlerini tanımlama, formüle etme ve çözme becerisi

S.No
Dersin Öğrenme Çıktıları
Öğrenciler, bu dersi başarı ile tamamladıklarında aşağıda belirtilen bilgi, beceri ve/veya yetkinlikleri gösterirler.
1 Her problem türü için hangi Makine Öğrenme modelini seçeceğini öğrenmiş olacaktır
2 Birçok Makine Öğrenimi modeli hakkında bilgi sahibi olma ve güçlü analizler yapma becerisi kazanacaktır

Dersin Öğrenme-Öğretme Yöntemleri
Dersin Öğrenme-Öğretme Yöntemleri

Haftalık Ders Konuları ve Öngörülen Hazırlık Çalışmaları
Hafta Konular Ön Hazırlık ve Pekiştirme
1 Python'da veri hazırlama, Python kütüphanesi ve veri kümeleri.Eksik Verilerin İşlenmesi, Kategorik Verilerin Kodlanması, Veri kümesinin Eğitim kümesine ve Test kümesine Bölünmesi, Özellik Ölçeklendirme Yüklü Dosya Bulunmamaktadır
2 R ile veri hazırlığı. Veri Kümesinin Tanımı, Veri Kümesinin İçe Aktarılması, Eksik Verilerin İşlenmesi, Kategorik Verilerin Kodlanması, Veri Kümesinin bir Eğitim kümesine ve Bir Test kümesine Bölünmesi, Özellik Ölçeklendirme, Veri Ön İşleme Şablonu Yüklü Dosya Bulunmamaktadır
3 Basit Doğrusal Regresyon Sezgisi - Adım 1
Basit Doğrusal Regresyonun arkasındaki matematik.
Yüklü Dosya Bulunmamaktadır
4 Basit Doğrusal Regresyon Sezgisi - Adım 2
Bağımsız değişken ile bağımlı değişken arasındaki doğrusal ilişkiyi deşifre etmek, Sıradan En Küçük Kareler yöntemiyle en uygun çizgiyi bulmak.
Yüklü Dosya Bulunmamaktadır
5 Python'da Basit Doğrusal Regresyon Yüklü Dosya Bulunmamaktadır
6 R'da Basit Doğrusal Regresyon Yüklü Dosya Bulunmamaktadır
7 Çoklu Doğrusal Regresyon Yüklü Dosya Bulunmamaktadır
8 arasınav Yüklü Dosya Bulunmamaktadır
9 Python ile Polinom Regresyonu Yüklü Dosya Bulunmamaktadır
10 R ile Polinom Regresyonu Yüklü Dosya Bulunmamaktadır
11 Python ile Support Vector Regresyonu Yüklü Dosya Bulunmamaktadır
12 R ile Support Vector Regresyonu Yüklü Dosya Bulunmamaktadır
13 Python ile Karar Ağacı Karar Regresyon Sezgisi Yüklü Dosya Bulunmamaktadır
14 R ile Karar Ağacı Karar Regresyon Sezgisi Yüklü Dosya Bulunmamaktadır

KAYNAKLAR
1-:”Bayesian Reasoning and Machine Learning”, David Barber
2-“An Introduction to Statistical Learning with Applications in R”, Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani
HYPERLINK "http://www-stat.stanford.edu/~tibs/"
3- “Understanding Machine Learning: From Theory to Algorithms”, by Shai Shalev-Shwartz and Shai Ben-David

MATERYAL PAYLAŞIMI
Ders Notu Yüklü Dosya Bulunmamaktadır
Sunumlar Yüklü Dosya Bulunmamaktadır
Ödev Yüklü Dosya Bulunmamaktadır
Sınav ve Soru Çözümleri Yüklü Dosya Bulunmamaktadır
Faydalı Linkler Yüklü Dosya Bulunmamaktadır
Video ve Görseller Yüklü Dosya Bulunmamaktadır
Diğer Yüklü Dosya Bulunmamaktadır
Duyurular Yüklü Dosya Bulunmamaktadır

DERSİN PROGRAM ÖĞRENME ÇIKTILARINA KATKISI
DERSİN ÖĞRENME ÇIKTILARI TANIMLANMAMIŞ
*Katkı Düzeyi (0-5): 0-Yok, 1- Çok Az, 2- Az, 3- Orta, 4- Yüksek, 5- Çok Yüksek

S.No
Dersin Öğrenme Çıktıları
Öğrenciler, bu dersi başarı ile tamamladıklarında aşağıda belirtilen bilgi, beceri ve/veya yetkinlikleri gösterirler.
PROGRAM ÖĞRENME ÇIKTILARI (İlişki Düzeyi)
1 Her problem türü için hangi Makine Öğrenme modelini seçeceğini öğrenmiş olacaktır
2 Birçok Makine Öğrenimi modeli hakkında bilgi sahibi olma ve güçlü analizler yapma becerisi kazanacaktır

Ölçme ve Değerlendirme
Yarıyıl İçi Yapılan Çalışmaların Ölçme ve Değerlendirilmesi Etkinlik
Sayısı
Katkı Yüzdesi
Ara Sınav 0 -
Bilg.Des. Sunum 0 -
Kısa Sınav 0 -
Rapor Sunma 0 -
Ödev Değerlendirme 0 -
Sözlü Değerlendirme 0 -
Tez Sunma 0 -
Belge Sunma 0 -
Uzman Değerlendirmesi 0 -
Kurul Sınavı 0 -
Uygulama Sınavı 0 -
Yıl Sonu Final Sınavı 0 -
Staj Sınavı 0 -
TOPLAM 0 %100
Yarıyıl İçi Yapılan Çalışmaların Başarısının Toplam Başarı Notuna Katkısı 0 %50
Yarıyıl Sonu Sınavının Başarısının Toplam Başarı Notuna Katkısı 1 %50
TOPLAM 1 %100


DERSİN İŞ YÜKÜ VE AKTS KREDİSİ
Öğrenme - Öğretme Etkinlikleri İş Yükü
Öğrenme - Öğretme Etkinlikleri Etkinlik
(Hafta Sayısı)
Süresi
(Saat)
Toplam İş Yükü
Ders 14 3 42
Derse Ön Hazırlık ve Ders Sonrası Pekiştirme 14 4 56
Arazi Çalışması 0 0 0
Grup Çalş. / Ödevi 0 0 0
Laboratuar 0 0 0
Okuma 0 0 0
Ödev 3 10 30
Proje Hazırlama 1 20 20
Seminer 0 0 0
Staj 0 0 0
Teknik Gezi 0 0 0
Web Tab. Öğrenme 0 0 0
Uygulama 1 20 20
Yerinde Uygulama 0 0 0
Mesleki Faaliyet 0 0 0
Sosyal Faaliyet 0 0 0
Tez Hazırlama 0 0 0
Alan Çalışması 0 0 0
Rapor Yazma 1 20 20
Öğrenme - Öğretme Etkinlikleri Toplam İş Yükü - - 188
Ölçme - Değerlendirme Etkinlikleri Toplam İş Yükü
Ölçme - Değerlendirme Etkinlikleri Etkinlik
(Sayısı)
Süresi
(Saat)
Toplam İş Yükü
Final Sınavı 1 2 2
Final Sınavı Hazırlığı 1 10 10
Ara Sınav 0 0 0
Ara Sınav Hazırlığı 0 0 0
Kısa Sınav 0 0 0
Kısa Sınav Hazırlığı 0 0 0
Toplam Ölçme - Değerlendirme Etkinlikleri Toplam İş Yükü - - 12
Genel Toplam - - 200
Toplam İş Yükü / 25.5 7.8
Dersin AKTS (ECTS) Kredisi 8.0

EBS : Kıbrıs İlim Üniversitesi Eğitim Öğretim Bilgi Sistemi Kıbrıs İlim Üniversitesi AKTS Bilgi Paketi AKTS Bilgi Paketi ECTS Information Package Avrupa Kredi Transfer Sistemi (AKTS/ECTS), Avrupa Yükseköğretim Alanı (Bologna Süreci) hedeflerini destekleyen iş yükü ve öğrenme çıktılarına dayalı öğrenci/öğrenme merkezli öğretme ve öğrenme yaklaşımı çerçevesinde yükseköğretimde uluslarası saydamlığı arttırmak ve öğrenci hareketliliği ile öğrencilerin yurtdışında gördükleri öğrenimleri kendi ülkelerinde tanınmasını kolaylaştırmak amacıyla Avrupa Komisyonu tarafından 1989 yılında Erasmus Programı (günümüzde Yaşam Boyu Öğrenme Programı) kapsamında geliştirilmiş ve Avrupa ülkeleri tarafından yaygın olarak kabul görmüş bir kredi sistemidir. AKTS, aynı zamanda, yükseköğretim kurumlarına, öğretim programları ve ders içeriklerinin iş yüküne bağlı olarak kolay anlaşılabilir bir yapıda tasarlanması, uygulanması, gözden geçirilmesi, iyileştirilmesi ve bu sayede yükseköğretim programlarının kalitesinin geliştirilmesine ve kalite güvencesine önemli katkı sağlayan bir sistematik yaklaşım sunmaktadır. ETIS : İstanbul Aydın University Education & Training System Cyprus Science University ECTS Information Package ECTS Information Package European Credit Transfer and Accumulation System (ECTS) which was introduced by the European Council in 1989, within the framework of Erasmus, now part of the Life Long Learning Programme, is a student-centered credit system based on the student workload required to achieve the objectives of a programme specified in terms of learning outcomes and competences to be acquired. The implementation of ECTS has, since its introduction, has been found wide acceptance in the higher education systems across the European Countries and become a credit system and an indispensable tool supporting major aims of the Bologna Process and, thus, of European Higher Education Area as it makes teaching and learning in higher education more transparent across Europe and facilitates the recognition of all studies. The system allows for the transfer of learning experiences between different institutions, greater student mobility and more flexible routes to gain degrees. It also offers a systematic approach to curriculum design as well as quality assessment and improvement and, thus, quality assurance.