Ders Adı Makine Öğrenme
Ders Kodu MEK-802
Dersin Türü Zorunlu
Ders Biriminin Seviyesi Ön Lisans
Yıl 1
Dönem 2.Yarıyıl
AKTS 3
Dersi Veren(ler) Öğr. Gör. Zeynep KOYUN
Dersin Yardımcıları
Ders İşleme Biçimi Yüz Yüze
Önkoşul Dersleri
Dersin İçeriği Hafta Konular Açıklama 1 Makine öğrenmesi konusunda temel kavramlar 2 Bilgi temsili 3 Temsil üretme ve temsilleri dönüştürme. 4 Kavramları öğrenme genelden özele sıralama: Find-S ve uyarlama uzayı Yoklama Sınavı 1 5 Adayları eleme algoritması Karar Ağacı Öğrenmesi 6 Kural kümelerini öğrenme 7 Sınıflama ve keşif yoluyla öğrenme 8 Ara sınav 9 Pekiştirmeli öğrenme: Q Öğrenme 10 Yapay sinir ağları Çok katmanlı ağ Kohonen ağı 11 Bulanık mantık 12 Bulanık Mantık (devam) 13 Bulanık Mantık (devam) 14 Son Tekrar
Dersin Verildiği Diller Türkçe
Dersin Amacı Bu dersin amacı, denetimli öğrenme tekniklerinde kullanılan modern algoritmaların tanınmasına olanak sağlamaktır. Makine öğrenimi sahası, deneyimle kendi kendini otomatik olarak geliştirebilen bilgisayar programlarının nasıl oluşturulduğu ile ilgilenmektedir. Öğretim dönemi süresince, öğrencilere makine öğrenimi algoritmalarının teorik özellikleri verilecek ve bunları uygulamaya yönelik çalışmalar yapılacaktır.
Ders Yapısı
Temel/Alana Özgü Mesleki Dersler 100
Uzmanlık/Program Dersi 0
Destek Dersi 0
Beceri,İletişim ve Yönetim Becerileri Dersi 0
Aktarılabilir Beceri Dersi 0
Matematik ve Temel Bilimler 0
Temel Eğitim 0
Ders İşleme Şekli
Sınıf Dersi 100
Sınıf Dersi açıklama 2
Problem Saati 0
Problem Saati Açıklama 0
Laboratuvar 0
Laboratuvar Açıklama 0
Diğer 0
Diğer Açıklama 0
No Dersin Kazanımları  
1 1 Öğrenme ve çıkarsama konuları hakkında bilgiye sahip olabilme.
2 2 Makine Öğrenme tekniklerinin teorisi hakkında bilgi sahibi olabilme.
3 3 Makine Öğrenme tekniklerini uygulayabilme.
4 4 Algoritmik çözüm yöntemlerinden faydalanabilme.
5 5 Makine öğrenme tekniklerinin farklılıkları ve benzerliklerini iyi kavrayabilme.
DERSİN KAZANIMLARI / PROGRAM YETERLİKLERİ İLİŞKİ MATRİSİ
DKPÇ1PÇ2PÇ3PÇ4PÇ5PÇ6PÇ7PÇ8PÇ9PÇ10PÇ11PÇ12PÇ13PÇ14
1
2
3
4
5
5-Çok Yüksek İlişkili 4- Yüksek İlişkili 3-Orta İlişkili 2- Zayıf İlişkili 1-İlişkisiz
Hafta Konular  
1 Makine öğrenmesi konusunda temel kavramlar
2 Bilgi temsili
3 Temsil üretme ve temsilleri dönüştürme.
4 Kavramları öğrenme genelden özele sıralama: Find-S ve uyarlama uzayı
5 Adayları eleme algoritması Karar Ağacı Öğrenmesi
6 Kural kümelerini öğrenme
7 Sınıflama ve keşif yoluyla öğrenme
8 Sınıflama ve keşif yoluyla öğrenme 2
9 Pekiştirmeli öğrenme: Q Öğrenme
10 Yapay sinir ağları Çok katmanlı ağ Kohonen ağı
11 Bulanık mantık
12 Bulanık mantık
13 Bulanık mantık
14 Bulanık mantık
No Program Çıktısı Katkı Düzeyi
1 Genel veya mesleki orta öğretimde kazanılan yeterlilikler üzerine kurulan ve orta öğretim düzeyi üzerindeki dersler - uygulama araç ve gereçleri ile desteklenen bir alandaki bilgi ve becerilere sahip olmak ve o alandaki temel kavramları kavradığını göstermek. 3
2 Endüstriyel elektronik alanında tanımı iyi yapılmış problemlerin çözümü için gerekli olan verileri tanımlama, toplama ve kullanmayı etkin bir biçimde yapabilmek; pratik uygulamalarda gereken teorik bilgileri, el ve/veya düşünsel becerileri kullanabildiğini göstermek. 4
3 Endüstriyel Elektronik alanı ile ilgili tasarımları ve uygulamaları çalışma arkadaşlarına, üstlerine ve hizmet verdiği kişi ve gruplara açık bir biçimde anlatabilmek ve takım çalışması yapabilmek. 3
4 Endüstriyel Elektronik alanında bağımsız olarak öğrenmeyi ve öğrendiklerini uygulayabildiğini göstermek. 2
5 Sorumluluğu altında çalışanların performanslarını objektif olarak değerlendirmek ve denetlemek. 3
6 Alanında yeterli olacak düzeyde yabancı dil bilgisine sahip olmak. 4
7 Temel bilgisayar kullanımı bilgisi ile birlikte, mesleğinin gerektirdiği yazılımları kullanabilmek. 5
8 Alanı ile ilgili konularda ölçüm yapabilme yeteneğine sahip olmak 3
9 Alanı ile ilgili konularda, sosyal sorumluluk ve sosyal güvenlik hakları bilgisi ve bilincine sahip olmak. 4
10 Güç aktarma ve hidrolik pnömatik bilgi ve becerisine sahip olmak 3
11 Alanında kullanacağı malzemeleri ve imalat yöntemlerini öğrenebilmek 2
12 Makine elemanları tasarımında mukavemet hesabı yapabilmek 2
13 Devre analizleri hakkında yeterli bilgi ve beceriye sahip olmak 3
14 Alanı ile ilgili konularda etik değerler hakkında bilgi sahibi olmak 4
Yarıyıl İçi Çalışmaları Sayısı Katkı Payı
Ara Sınav 1 40
Kısa Sınav 0 0
Ödev 0 0
Devam 0 0
Uygulama 0 0
Labaratuvar 0 0
Proje 0 0
Atölye 0 0
Seminer 0 0
Arazi Çalışması 0 0
Sözlü sınav 0 0
Portfolyo 0 0
Doküman İncelemesi 0 0
Performans değerlendirme 0 0
Sunum 0 0
Alan Çalışması 0 0
Vaka Çalışması 0 0
Video Kaydı 0 0
Öz değerlendirme 0 0
Akran Değerlendirme 0 0
Eşleştirme Testleri 0 0
Çoktan seçmeli test 0 0
Kısa Cevaplı test 0 0
Kontrol listeleri 0 0
Dereceleme Ölçekleri 0 0
Zihin Haritalama 0 0
Araştırma yazısı 0 0
Çevrimiçi anket 0 0
Çevrimiçi Kısa sınav 0 0
TOPLAM 40
Yıliçinin Başarıya Oranı 40
Finalin Başarıya Oranı 60
TOPLAM 100
AKTS kredilerinin belirlenmesinde öğrenci işyükü anketlerinden faydalanılmaktadır.
Etkinlik Sayısı Süresi Toplam
Ders Süresi (Sınav Haftaları Hariç) 15 2 30
Sınıf Dışı Ders Çalışma Süresi 15 1 15
Ödevler 15 1 15
Sunum/Seminer 0 0 0
Proje 0 0 0
Laboratuar Çalışması 0 0 0
Arazi ya da Alan Çalışması 0 0 0
Kısa Sınav 0 0 0
Araştırma 0 0 0
Rapor Yazma/Rapor sunumu 0 0 0
Vaka İncelemesi 0 0 0
Staj 0 0 0
Uygulama/Materyal Hazırlama 0 0 0
Tez Çalışması 0 0 0
Ara Sınavlar 1 1 1
Yarıyıl Sonu Sınavı 1 1 1
İşyükü Saati (30) 0
Toplam İşyükü / Saat 62    
Dersin Akts Kredisi 3    
Ders Notu Tom M. Mitchell, Machine Learning , McGraw Hill, 1997. "Introduction to Machine Learning" - Ethem Alpaydin. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" - Aurélien Géron
Diğer Kaynaklar Tom M. Mitchell, Machine Learning , McGraw Hill, 1997. "Introduction to Machine Learning" - Ethem Alpaydin. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" - Aurélien Géron
Materyal
Dökümanlar Tom M. Mitchell, Machine Learning , McGraw Hill, 1997. "Introduction to Machine Learning" - Ethem Alpaydin. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" - Aurélien Géron
Ödevler
Sınavlar
Materyal Diğer
Planlanmış Öğrenme Faaliyetleri ve Öğretim Yöntemleri











Course Weekly Schedules
Hafta 1 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Makine öğrenmesinin tanımı ve tarihçesi.
Makine öğrenmesi türleri: Denetimli, denetimsiz, pekiştirmeli öğrenme.
Temel terminoloji: Veri seti, özellik, etiket, model.
Hedef:
Makine öğrenmesinin günlük hayat uygulamalarını anlamak.
Öğrencilerin makine öğrenmesi türleri arasındaki farkları kavraması.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Makine Öğrenmesinin temellerine giriş yapıyoruz. Öğrenciler, makine öğrenmesinin tanımını ve tarihçesini öğrenecek, ardından denetimli, denetimsiz ve pekiştirmeli öğrenme türlerinin farklarını keşfedecekler. Veri seti, özellik, etiket ve model gibi temel terminolojiyi anlayacak ve bu kavramları uygulamalı olarak inceleyecekler. Dersin sonunda, makine öğrenmesinin günlük hayatımızdaki uygulamalarını daha iyi kavrayacak ve farklı öğrenme türlerinin kullanım alanlarını tartışacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 2 .Hafta
Konu
Haftalık Kapsam ve Hedefler Bilgi temsili nedir?
Makine öğrenmesinde bilgi temsili ve veri önemi.
Bilgi temsili türleri (yapısal, anlamsal, istatistiksel).
Öğrenciler bilgi temsili kavramını, makine öğrenmesindeki önemini ve temel türlerini öğrenir.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Öğrenciler, bilgi temsili kavramını ve makine öğrenmesindeki önemini öğrenecekler. Ayrıca, verinin doğru bir şekilde temsil edilmesinin nasıl model performansını etkilediğini keşfedecekler. Yapısal, anlamsal ve istatistiksel gibi farklı bilgi temsili türlerini inceleyerek, her bir türün kullanım alanlarını uygulamalı olarak değerlendirecekler. Dersin sonunda, bilgi temsili türlerinin makine öğrenmesi modellerinde nasıl kullanıldığını kavrayacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 3 .Hafta
Konu
Haftalık Kapsam ve Hedefler Temsil Üretme:

Ham veriden temsil oluşturma teknikleri.
Vektörleştirme (ör., kelime vektörleri, n-gramlar, doküman vektörleri).
Görseller ve sayısal veriler için temsil üretimi (piksel temsilleri, frekans temsilleri).
Temsilleri Dönüştürme:

Temsillerin boyut değiştirme yöntemleri (ör., sıkıştırma, genişletme).
Temsil uzayı dönüşümleri (ör., Fourier dönüşümü, uzay dönüşümleri).
Temsilleri optimize etme ve doğruluk artırma yaklaşımları.
Makine Öğrenmesi ile Uyumlu Dönüşümler:

Sürekli ve kesikli veriler için uygun temsiller.
Dönüşüm tekniklerinin algoritma performansına etkisi (ör., PCA).
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Temsil Üretme ve Temsilleri Dönüştürme konularını ele alıyoruz. Öğrenciler, ham veriden nasıl anlamlı temsiller oluşturulacağına dair teknikleri öğrenecekler. Vektörleştirme, kelime vektörleri, n-gramlar gibi tekniklerle metin verilerinin temsilini, ayrıca piksel ve frekans temsilleri ile görsel ve sayısal verilerin temsiline dair uygulamalar yapacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 4 .Hafta
Konu
Haftalık Kapsam ve Hedefler Genel Kavramlar:

Hipotez uzayı ve hipotezlerin temsili.
Kavram öğrenmede genelden özele sıralama yaklaşımı nedir?
Genelleştirme ve özelleştirme süreçleri: Fikir ve temel yöntemler.
Find-S Algoritması:

Find-S algoritmasının çalışma prensipleri.
Algoritmanın güçlü ve zayıf yönleri.
Eğitim verisinden en spesifik hipotezin bulunması.
Uyarlama Uzayı:

Uyarlama uzayı teorisi nedir?
Hipotezler arasındaki genel-özel ilişki hiyerarşisi.
Uyarlama uzayında gezinme: Genelleştirme ve özelleştirme adımları.
Find-S ve Uyarlama Uzayının Karşılaştırılması:

Find-S algoritmasının uyarlama uzayı ile ilişkisi.
Her iki yöntemin öğrenme süreçlerindeki rolü ve kullanım alanları.
Genel Kavramları Anlamak:

Öğrenciler, genelleştirme ve özelleştirme kavramlarını ve bunların kavram öğrenme süreçlerindeki önemini öğrenir.
Hipotez uzayı ve hipotez sıralaması hakkında temel bir anlayış kazanır.
Find-S Algoritmasını Uygulamak:

Öğrenciler, eğitim verilerinden en spesifik hipotezi bulmak için Find-S algoritmasını adım adım uygulamayı öğrenir.
Algoritmanın sınırlılıklarını analiz ederek alternatif yöntemleri düşünmeyi öğrenir.
Uyarlama Uzayını Kavramak:

Öğrenciler, uyarlama uzayındaki genel-özel ilişkilerini anlamlandırır.
Uyarlama uzayı teorisinin, kavram öğrenme süreçlerini modellemek için nasıl kullanılacağını öğrenir.
Karşılaştırma ve Uygulama:

Öğrenciler, Find-S ve uyarlama uzayını gerçek dünyadaki problem çözüm süreçlerine entegre eder.
Hangi yöntemin hangi durumda daha uygun olduğunu değerlendirme becerisi geliştirir.
Genel Kavramları Anlamak:

Öğrenciler, genelleştirme ve özelleştirme kavramlarını ve bunların kavram öğrenme süreçlerindeki önemini öğrenir.
Hipotez uzayı ve hipotez sıralaması hakkında temel bir anlayış kazanır.
Find-S Algoritmasını Uygulamak:

Öğrenciler, eğitim verilerinden en spesifik hipotezi bulmak için Find-S algoritmasını adım adım uygulamayı öğrenir.
Algoritmanın sınırlılıklarını analiz ederek alternatif yöntemleri düşünmeyi öğrenir.
Uyarlama Uzayını Kavramak:

Öğrenciler, uyarlama uzayındaki genel-özel ilişkilerini anlamlandırır.
Uyarlama uzayı teorisinin, kavram öğrenme süreçlerini modellemek için nasıl kullanılacağını öğrenir.
Karşılaştırma ve Uygulama:

Öğrenciler, Find-S ve uyarlama uzayını gerçek dünyadaki problem çözüm süreçlerine entegre eder.
Hangi yöntemin hangi durumda daha uygun olduğunu değerlendirme becerisi geliştirir.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Genel Kavramlar ve Find-S Algoritması ile Uyarlama Uzayı konularına odaklanıyoruz. Öğrenciler, hipotez uzayı ve hipotez temsili kavramlarını öğrenerek, genelleştirme ve özelleştirme süreçlerinin kavram öğrenme üzerindeki etkilerini keşfedecekler. Find-S algoritmasını adım adım uygulayarak, eğitim verisinden en spesifik hipotezi bulmayı öğrenecekler ve algoritmanın güçlü ve zayıf yönlerini analiz edecekler.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 5 .Hafta
Konu
Haftalık Kapsam ve Hedefler Karar Ağacına Giriş:

Karar ağacının temel yapısı ve işleyiş prensipleri.
Düğümler, dallar ve yaprakların anlamı.
Karar ağacı öğrenme sürecinde "adaylar" nedir ve neden önemlidir?
Adayları Eleme Algoritması:

Aday kümesi oluşturma: Hipotezlerin karar ağacı yapısındaki rolü.
Bölünme kriterleri: Bilgi kazancı, Gini indeks, entropi.
Overfitting (aşırı uyum) ve gereksiz adayların eliminasyonu.
Algoritmalar:

ID3 algoritması: Bilgi kazancı ile en iyi bölünmenin seçimi.
C4.5 algoritması: Sürekli veriler ve geliştirilmiş aday eleme.
CART algoritması: Gini indeks ile bölünme ve regresyon analizinde aday seçimi.
Model Karmaşıklığını Yönetme:

Pruning (budama) teknikleri: Aşırı derinlikteki adayları eleme.
Adayların önem sırasına göre sıralanması ve modelin sadeleştirilmesi.
Doğruluk ve genel performans arasında denge kurma.
Adayları Elemenin Pratikteki Önemi:

Karar ağacının doğruluğunu artırmak için optimal aday seçimi.
Veri boyutunun artmasıyla aday eleme süreçlerinin hızlandırılması.
Karar Ağacının Yapısını Anlamak:

Öğrenciler, karar ağacının bölünme mantığını ve aday hipotezlerin ağaç yapıdaki önemini öğrenir.
Karar ağacı algoritmalarının işleyiş prensiplerini kavrar.
Adayları Eleme Sürecini Uygulamak:

Öğrenciler, belirli bölünme kriterlerine göre adayları seçme ve eleme süreçlerini uygulamayı öğrenir.
En uygun bölünmeyi seçmek için bilgi kazancı, Gini indeks gibi ölçütleri hesaplamayı öğrenir.
Overfitting'i Önlemek:

Öğrenciler, gereksiz adayların eliminasyonunun aşırı uyumu önlemedeki rolünü öğrenir.
Pruning tekniklerini uygulayarak modelin performansını optimize eder.
Algoritma Seçimi ve Karşılaştırma:

Öğrenciler, ID3, C4.5 ve CART algoritmalarını karşılaştırır ve farklı problem türleri için en uygun algoritmayı seçer.
Hangi algoritmanın hangi veri türlerinde daha etkili olduğunu değerlendirir.
Gerçek Hayat Uygulamaları:

Öğrenciler, karar ağacı öğrenmesini gerçek veri setleri üzerinde uygular ve aday eleme süreçlerini optimize eder.
Doğru ve anlaşılır karar ağacı modelleri geliştirme becerisi kazanır.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Karar Ağacı konusunun temellerine ve Adayları Eleme Algoritmasına odaklanacağız. Öğrenciler, karar ağacının yapısını, düğümler, dallar ve yaprakların ne anlama geldiğini öğrenecekler. Ayrıca, karar ağacı öğrenme sürecinde "adaylar" kavramının ne olduğunu ve bu adayların nasıl seçildiği ile ilgili bilgi sahibi olacaklar
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 6 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kural Tabanlı Öğrenmeye Giriş:

Kural nedir? Kural tabanlı sistemlerin temel yapısı.
Kural tabanlı öğrenmenin diğer makine öğrenmesi yöntemlerinden farkı.
Kural kümesi ve bir kuralın genel biçimi (Koşul -> Sonuç).
Kural Kümelerinin Özellikleri:

Tutarlılık (Consistency): Kural kümesinin çelişki barındırmaması.
Tamlık (Completeness): Kural kümesinin tüm veri örneklerini kapsaması.
Basitlik (Parsimony): Kural kümesinin minimum karmaşıklıkta olması.
Kural Öğrenme Algoritmaları:

Sezgisel algoritmalar (ör., FOIL - First Order Inductive Learner).
Apriori ve türevleri: Kural çıkarımı için sık görülen öğeler.
RIPPER (Repeated Incremental Pruning to Produce Error Reduction).
Kural Öğrenme Süreci:

Kural çıkarımı: Veriden anlamlı kuralların türetilmesi.
Kural değerlendirme metrikleri: Destek (support), güven (confidence), kaldırma (lift).
Çakışan kurallar ve çözüm yöntemleri.
Uygulamalar:

Karar destek sistemleri.
Öneri sistemlerinde kural tabanlı yaklaşım.
Kural kümesi öğrenmenin ticari ve endüstriyel kullanımları.
Kural Öğrenme Mantığını Kavramak:

Öğrenciler, kural tabanlı öğrenme yöntemlerini ve bu yöntemlerin temel ilkelerini anlar.
Kural tabanlı sistemlerin avantajlarını ve sınırlamalarını öğrenir.
Kural Kümeleri Oluşturmak ve Değerlendirmek:

Öğrenciler, verilerden anlamlı kural kümeleri çıkarma becerisi kazanır.
Destek, güven ve kaldırma gibi metrikleri kullanarak kuralların performansını değerlendirmeyi öğrenir.
Kural Öğrenme Algoritmalarını Uygulamak:

Öğrenciler, FOIL, Apriori ve RIPPER gibi algoritmaları belirli veri kümelerine uygular.
Her algoritmanın farklı veri türlerine uygunluğunu karşılaştırır ve analiz eder.
Model Karmaşıklığını Yönetmek:

Öğrenciler, kural kümelerini sadeleştirme ve çakışan kuralları çözme tekniklerini öğrenir.
Basit ve anlaşılabilir kural kümeleri oluşturarak yorumlanabilir modeller geliştirme becerisi kazanır.
Gerçek Hayatta Uygulama:

Öğrenciler, kural tabanlı öğrenme yöntemlerini karar destek ve öneri sistemleri gibi pratik alanlara uygular.
Endüstriyel veri setleriyle çalışarak gerçek dünya problemleri için kural kümeleri geliştirir.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Kural tabanlı sistemlerin temel yapısını ve bu sistemlerin diğer makine öğrenmesi yöntemlerinden farklarını öğrenecekler. Ayrıca, kural kümesi ve bir kuralın genel biçimi (Koşul -> Sonuç) hakkında temel bilgiler edinecekler.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 7 .Hafta
Konu
Haftalık Kapsam ve Hedefler Sınıflama ve Keşif Yoluyla Öğrenmeye Giriş:

Sınıflama (classification) ve keşif (exploration) kavramlarının tanımı ve temel farkları.
Sınıflandırma problemlerinin yapısı: Girdi, çıktı ve hedef değişken.
Keşif yoluyla öğrenmenin amacı: Bilinmeyen örüntülerin ve ilişkilerin bulunması.
Sınıflama Süreci:

Eğitim veri kümesinden sınıflandırıcı öğrenme.
Etiketli verilerle çalışarak örneklerin doğru sınıfa atanması.
Karar sınırları ve sınıf etiketleri oluşturma.
Keşif Yoluyla Öğrenme Süreci:

Etiketlenmemiş verilerle bilinmeyen ilişkileri ve grupları keşfetme.
Kümeleme (clustering) algoritmaları ve keşif yöntemleri.
Öznitelik çıkarımı ve bilgi keşfi süreçleri.
Sınıflama ve Keşif Algoritmaları:

Sınıflama için: Naive Bayes, k-NN, Destek Vektör Makineleri (SVM), Karar Ağaçları.
Keşif için: K-Means, DBSCAN, Hiyerarşik Kümeleme.
Yarı gözetimli öğrenme: Hem sınıflandırma hem de keşfi birleştiren yaklaşımlar.
Performans Değerlendirme:

Sınıflama için değerlendirme metrikleri: Doğruluk, hatırlama, F1 skoru.
Keşif için kümeleme değerlendirme metrikleri: Silüet skoru, Davies-Bouldin indeksi.
Doğruluk ve keşif arasındaki dengeyi sağlama.
Uygulama Alanları:

Sınıflandırma: Hastalık teşhisi, spam filtreleme, kredi risk analizi.
Keşif: Pazar segmentasyonu, sosyal ağ analizi, öneri sistemleri.
Sınıflama ve Keşif Temellerini Kavramak:

Öğrenciler, sınıflama ve keşif yoluyla öğrenme kavramlarını ve bu iki yöntemin temel farklarını öğrenir.
Sınıflama ve keşif süreçlerinin makine öğrenmesi bağlamındaki önemini kavrar.
Sınıflama Algoritmalarını Uygulamak:

Öğrenciler, etiketli veri kümelerini kullanarak sınıflandırma algoritmalarını uygulamayı öğrenir.
Farklı sınıflandırıcıları karşılaştırarak performans analizi yapar.
Keşif Algoritmalarını Uygulamak:

Öğrenciler, etiketlenmemiş veri kümelerinde kümeleme ve keşif algoritmalarını uygulamayı öğrenir.
Keşif yoluyla veri setindeki gizli örüntüleri ve grupları ortaya çıkarır.
Değerlendirme ve İyileştirme:

Öğrenciler, sınıflama ve keşif süreçlerini performans metrikleriyle değerlendirir.
Algoritmaların doğruluğunu artırmak için parametre ayarlamaları yapar.
Gerçek Hayat Problemleri Üzerinde Çalışma:

Öğrenciler, sınıflama ve keşif yöntemlerini gerçek veri kümeleri üzerinde uygular.
Endüstriyel ve ticari uygulamalarda her iki yöntemin kullanımını öğrenir.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Bu hafta, Sınıflama ve Keşif Yoluyla Öğrenme konularına odaklanıyoruz. Öğrenciler, sınıflama ve keşif kavramlarını tanıyacak, bu iki yöntem arasındaki temel farkları öğrenecekler. Sınıflama sürecinde, etiketli verilerle örneklerin doğru sınıfa atanmasını ve karar sınırları oluşturmayı uygulamalı olarak keşfedecekler.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 8 .Hafta
Konu
Haftalık Kapsam ve Hedefler Sınıflama ve Keşif Yoluyla Öğrenmeye Giriş:

Sınıflama (classification) ve keşif (exploration) kavramlarının tanımı ve temel farkları.
Sınıflandırma problemlerinin yapısı: Girdi, çıktı ve hedef değişken.
Keşif yoluyla öğrenmenin amacı: Bilinmeyen örüntülerin ve ilişkilerin bulunması.
Sınıflama Süreci:

Eğitim veri kümesinden sınıflandırıcı öğrenme.
Etiketli verilerle çalışarak örneklerin doğru sınıfa atanması.
Karar sınırları ve sınıf etiketleri oluşturma.
Keşif Yoluyla Öğrenme Süreci:

Etiketlenmemiş verilerle bilinmeyen ilişkileri ve grupları keşfetme.
Kümeleme (clustering) algoritmaları ve keşif yöntemleri.
Öznitelik çıkarımı ve bilgi keşfi süreçleri.
Sınıflama ve Keşif Algoritmaları:

Sınıflama için: Naive Bayes, k-NN, Destek Vektör Makineleri (SVM), Karar Ağaçları.
Keşif için: K-Means, DBSCAN, Hiyerarşik Kümeleme.
Yarı gözetimli öğrenme: Hem sınıflandırma hem de keşfi birleştiren yaklaşımlar.
Performans Değerlendirme:

Sınıflama için değerlendirme metrikleri: Doğruluk, hatırlama, F1 skoru.
Keşif için kümeleme değerlendirme metrikleri: Silüet skoru, Davies-Bouldin indeksi.
Doğruluk ve keşif arasındaki dengeyi sağlama.
Uygulama Alanları:

Sınıflandırma: Hastalık teşhisi, spam filtreleme, kredi risk analizi.
Keşif: Pazar segmentasyonu, sosyal ağ analizi, öneri sistemleri.
Sınıflama ve Keşif Temellerini Kavramak:

Öğrenciler, sınıflama ve keşif yoluyla öğrenme kavramlarını ve bu iki yöntemin temel farklarını öğrenir.
Sınıflama ve keşif süreçlerinin makine öğrenmesi bağlamındaki önemini kavrar.
Sınıflama Algoritmalarını Uygulamak:

Öğrenciler, etiketli veri kümelerini kullanarak sınıflandırma algoritmalarını uygulamayı öğrenir.
Farklı sınıflandırıcıları karşılaştırarak performans analizi yapar.
Keşif Algoritmalarını Uygulamak:

Öğrenciler, etiketlenmemiş veri kümelerinde kümeleme ve keşif algoritmalarını uygulamayı öğrenir.
Keşif yoluyla veri setindeki gizli örüntüleri ve grupları ortaya çıkarır.
Değerlendirme ve İyileştirme:

Öğrenciler, sınıflama ve keşif süreçlerini performans metrikleriyle değerlendirir.
Algoritmaların doğruluğunu artırmak için parametre ayarlamaları yapar.
Gerçek Hayat Problemleri Üzerinde Çalışma:

Öğrenciler, sınıflama ve keşif yöntemlerini gerçek veri kümeleri üzerinde uygular.
Endüstriyel ve ticari uygulamalarda her iki yöntemin kullanımını öğrenir.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Bu hafta, Sınıflama ve Keşif Yoluyla Öğrenme konularına odaklanıyoruz. Öğrenciler, sınıflama ve keşif kavramlarını tanıyacak, bu iki yöntem arasındaki temel farkları öğrenecekler. Sınıflama sürecinde, etiketli verilerle örneklerin doğru sınıfa atanmasını ve karar sınırları oluşturmayı uygulamalı olarak keşfedecekler.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 9 .Hafta
Konu
Haftalık Kapsam ve Hedefler Pekiştirmeli öğrenmenin temel bileşenleri: Ajan, çevre, durum, eylem, ödül.
Q-Öğrenme'nin pekiştirmeli öğrenmedeki yeri ve önemi.
Model tabanlı ve model tabansız öğrenme farkı (Q-Öğrenme model tabansızdır).
Q-değerlerinin (eylem-değer fonksiyonu) tanımı ve amacı.
Q-tablosunun durum ve eylem kombinasyonları için tutulması.
Büyük durum-uzayı problemlerinde karşılaşılan zorluklar.
Q-Öğrenme ve taban tablolama yerine Derin Q-Öğrenme (DQN) uygulamasına geçiş.
Dinamik karar alma sistemlerinde Q-Öğrenme’nin önemi.
Öğrenciler, pekiştirmeli öğrenmenin temel bileşenlerini öğrenir ve Q-Öğrenme algoritmasının nasıl çalıştığını kavrar.
Öğrenciler, ödül toplamlarını ve Q-değerlerini analiz ederek algoritmanın performansını değerlendirir.
Parametre ayarlarını değiştirerek performans iyileştirme tekniklerini öğrenir.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Öğrenciler, pekiştirmeli öğrenmenin temel bileşenlerini (ajan, çevre, durum, eylem, ödül) öğrenirken, Q-Öğrenme'nin pekiştirmeli öğrenmedeki rolünü kavrayacaklar. Q-değerleri ve Q-tablosu kullanarak, eylem-değer fonksiyonunun nasıl çalıştığını ve öğrenme sürecini anlayacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 10 .Hafta
Konu
Haftalık Kapsam ve Hedefler apay Sinir Ağlarına Giriş:

Yapay sinir ağlarının temel yapısı: Sinir hücreleri, ağırlıklar, bias ve aktivasyon fonksiyonları.
Sinir ağlarının öğrenme süreçleri ve geri yayılım (backpropagation) algoritması.
Çok katmanlı algılayıcı (MLP) ve Kohonen ağı gibi sinir ağı türlerinin genel tanımları.
Çok Katmanlı Algılayıcı (MLP):

MLP’nin yapısı: Girdi katmanı, gizli katmanlar ve çıktı katmanı.
Aktivasyon fonksiyonları: Sigmoid, ReLU, tanh, vb.
Geri yayılım algoritması (Backpropagation): Hata fonksiyonu, gradyan inişi, ağırlık güncellemeleri.
MLP'nin sınıflama ve regresyon problemlerindeki kullanımı.
Overfitting ve düzenlileştirme teknikleri (ör. dropout).
Kohonen ağının yapısı ve çalışma prensibi: Harita oluşturma, komşuluk ilişkisi.
Yapay Sinir Ağlarını Anlamak:

Öğrenciler, yapay sinir ağlarının temel yapı taşlarını ve bu yapıların nasıl çalıştığını öğrenir.
MLP ve Kohonen ağlarının genel işleyiş prensiplerini ve aralarındaki farkları kavrar.
Çok Katmanlı Algılayıcı (MLP) ile Çalışmak:

Öğrenciler, MLP ağını oluşturmayı, eğitmeyi ve optimize etmeyi öğrenir.
Geri yayılım algoritmasını uygulayarak ağın doğru sonuçlar üretmesini sağlamak için ağırlık güncellemeleri yapmayı öğrenir.
Aktivasyon fonksiyonlarının farklı özelliklerini ve hangi durumlarda kullanıldığını keşfeder.
Kohonen Ağı ile Keşif Yapmak:

Öğrenciler, Kohonen ağını kullanarak denetimsiz öğrenme ve kümelenme problemlerini çözmeyi öğrenir.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Yapay sinir ağlarının temel yapı taşlarını (sinir hücreleri, ağırlıklar, bias, aktivasyon fonksiyonları) ve ağların öğrenme süreçlerini keşfedecekler. Geri yayılım (backpropagation) algoritmasının nasıl çalıştığını, hata fonksiyonu ve gradyan inişi kullanarak ağırlık güncellemelerini anlamaya yönelik uygulamalar yapılacaktır.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 11 .Hafta
Konu
Haftalık Kapsam ve Hedefler Geleneksel mantığın (doğru/yanlış) sınırlamaları ve bulanık mantığın tanımı.
Bulanık mantığın temel prensipleri: Üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler.
Bulanık mantığın günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler.
Bulanık Mantık Temellerini Anlamak:

Öğrenciler, bulanık mantığın geleneksel mantıktan nasıl farklılaştığını ve temel prensiplerini öğrenir.
Üyelik fonksiyonlarının ve dilsel değişkenlerin önemini kavrar.
Bulanık Kümeler ve Üyelik Fonksiyonları ile Çalışmak:

Öğrenciler, farklı üyelik fonksiyonlarını tanımlar ve verilerini bu fonksiyonlarla temsil etmeyi öğrenir.
Bulanık kümelerle çalışma ve üyelik derecelerini hesaplama becerisi kazanır.
Bulanık Mantık Operatörlerini Uygulamak:

Öğrenciler, AND, OR, NOT gibi temel bulanık mantık operatörlerini kullanarak problem çözme yöntemlerini öğrenir.
Bulanık mantık operatörlerinin farklı kümelerde nasıl birleştiğini ve sonuçlar elde ettiğini keşfeder.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Bulanık mantığın ne olduğunu ve geleneksel mantıktan nasıl farklılaştığını öğrenecekler. Ayrıca, üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler gibi temel prensipleri inceleyecekler. Öğrenciler, bu kavramların günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler üzerinde çalışarak daha iyi kavrayacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 12 .Hafta
Konu
Haftalık Kapsam ve Hedefler Geleneksel mantığın (doğru/yanlış) sınırlamaları ve bulanık mantığın tanımı.
Bulanık mantığın temel prensipleri: Üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler.
Bulanık mantığın günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler.
Bulanık Mantık Temellerini Anlamak:

Öğrenciler, bulanık mantığın geleneksel mantıktan nasıl farklılaştığını ve temel prensiplerini öğrenir.
Üyelik fonksiyonlarının ve dilsel değişkenlerin önemini kavrar.
Bulanık Kümeler ve Üyelik Fonksiyonları ile Çalışmak:

Öğrenciler, farklı üyelik fonksiyonlarını tanımlar ve verilerini bu fonksiyonlarla temsil etmeyi öğrenir.
Bulanık kümelerle çalışma ve üyelik derecelerini hesaplama becerisi kazanır.
Bulanık Mantık Operatörlerini Uygulamak:

Öğrenciler, AND, OR, NOT gibi temel bulanık mantık operatörlerini kullanarak problem çözme yöntemlerini öğrenir.
Bulanık mantık operatörlerinin farklı kümelerde nasıl birleştiğini ve sonuçlar elde ettiğini keşfeder.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Bulanık mantığın ne olduğunu ve geleneksel mantıktan nasıl farklılaştığını öğrenecekler. Ayrıca, üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler gibi temel prensipleri inceleyecekler. Öğrenciler, bu kavramların günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler üzerinde çalışarak daha iyi kavrayacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 13 .Hafta
Konu
Haftalık Kapsam ve Hedefler Geleneksel mantığın (doğru/yanlış) sınırlamaları ve bulanık mantığın tanımı.
Bulanık mantığın temel prensipleri: Üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler.
Bulanık mantığın günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler.
Bulanık Mantık Temellerini Anlamak:

Öğrenciler, bulanık mantığın geleneksel mantıktan nasıl farklılaştığını ve temel prensiplerini öğrenir.
Üyelik fonksiyonlarının ve dilsel değişkenlerin önemini kavrar.
Bulanık Kümeler ve Üyelik Fonksiyonları ile Çalışmak:

Öğrenciler, farklı üyelik fonksiyonlarını tanımlar ve verilerini bu fonksiyonlarla temsil etmeyi öğrenir.
Bulanık kümelerle çalışma ve üyelik derecelerini hesaplama becerisi kazanır.
Bulanık Mantık Operatörlerini Uygulamak:

Öğrenciler, AND, OR, NOT gibi temel bulanık mantık operatörlerini kullanarak problem çözme yöntemlerini öğrenir.
Bulanık mantık operatörlerinin farklı kümelerde nasıl birleştiğini ve sonuçlar elde ettiğini keşfeder.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Bulanık mantığın ne olduğunu ve geleneksel mantıktan nasıl farklılaştığını öğrenecekler. Ayrıca, üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler gibi temel prensipleri inceleyecekler. Öğrenciler, bu kavramların günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler üzerinde çalışarak daha iyi kavrayacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri
Hafta 14 .Hafta
Konu
Haftalık Kapsam ve Hedefler Geleneksel mantığın (doğru/yanlış) sınırlamaları ve bulanık mantığın tanımı.
Bulanık mantığın temel prensipleri: Üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler.
Bulanık mantığın günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler.
Bulanık Mantık Temellerini Anlamak:

Öğrenciler, bulanık mantığın geleneksel mantıktan nasıl farklılaştığını ve temel prensiplerini öğrenir.
Üyelik fonksiyonlarının ve dilsel değişkenlerin önemini kavrar.
Bulanık Kümeler ve Üyelik Fonksiyonları ile Çalışmak:

Öğrenciler, farklı üyelik fonksiyonlarını tanımlar ve verilerini bu fonksiyonlarla temsil etmeyi öğrenir.
Bulanık kümelerle çalışma ve üyelik derecelerini hesaplama becerisi kazanır.
Bulanık Mantık Operatörlerini Uygulamak:

Öğrenciler, AND, OR, NOT gibi temel bulanık mantık operatörlerini kullanarak problem çözme yöntemlerini öğrenir.
Bulanık mantık operatörlerinin farklı kümelerde nasıl birleştiğini ve sonuçlar elde ettiğini keşfeder.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Anlatım, Tartışma, Soru Yanıt, Uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Bulanık mantığın ne olduğunu ve geleneksel mantıktan nasıl farklılaştığını öğrenecekler. Ayrıca, üyelik fonksiyonları, bulanık kümeler ve dilsel değişkenler gibi temel prensipleri inceleyecekler. Öğrenciler, bu kavramların günlük yaşamda ve mühendislikte nasıl kullanıldığına dair örnekler üzerinde çalışarak daha iyi kavrayacaklar.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri