ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE

ucuncuduzeymenu.asp

Ders Bilgi Formu ( BİL 453 )


   Temel bilgiler
Ders adı: Örüntü Tanıma
Ders kodu: BİL 453
Öğretim üyesi: Dr. Öğr. Üyesi Burcu YILMAZ
AKTS kredisi: 6
GTÜ kredisi: 3 (3+0+0)
Yılı, Dönemi: 4, Güz ve Bahar
Dersin düzeyi: Lisans
Dersin tipi: Alan seçmeli
Öğretim dili: Türkçe
Öğretim şekli: Yüz yüze
Ön koşullar: Yok
Staj durumu: Yok
Dersin amacı: Gerçek dünyada var olan bir çok nesne bir örüntüye sahiptir. Bu örüntüler yeterince doğru şekilde ortaya çıkarılabildiği takdirde tanıma sistemleri ve buna benzer otomatikleştirilmiş sistemleri geliştirmek kolay olacaktır. Bu dersin amacı öğrencilere örüntü tanımanın yöntemlerini göstermektir.
   Öğrenme çıktıları Yukarı

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

  1. Verilen bir nesnenin veya verinin örüntüsünü çıkartabilmek için en uygun metodu seçebilir

    Program Çıktılarına Katkıları

    1. Temel Bilgisayar Mühendisliği bilgisi edinmek
    2. Tanımlanmış problemleri çözmek için yazılım ve/veya donanım tabanlı sistem, bileşen veya süreçler tasarlamak ve geliştirmek

    Değerlendirme Tipi

    1. Yazılı sınav
  2. Verilen bir örüntü tanıma metodunu ve sonuçları analiz edebilir

    Program Çıktılarına Katkıları

    1. Matematik, fen ve matematik bilgilerini kullanarak mühendislik problemlerini tanımlayıp analiz etmek
    2. Verinin analiz ve yorumlanmasının yanı sıra deneyler tasarlayıp yürütmek

    Değerlendirme Tipi

    1. Ödev
  3. Gerçek hayattan alınmış örüntülerde ve verilerde gürültü etkileri altında örüntüyü çıkartabilir

    Program Çıktılarına Katkıları

    1. Temel Bilgisayar Mühendisliği bilgisi edinmek
    2. Verinin analiz ve yorumlanmasının yanı sıra deneyler tasarlayıp yürütmek

    Değerlendirme Tipi

    1. Laboratuvar uygulamaları/sınavları
   İçerik Yukarı
1. hafta: Örüntü tanımaya giriş
2. hafta: Ayrık olaylar ve Bayes kuralı
3. hafta: Vektörler
4. hafta: Beklenti, Moment, Gaussians,
5. hafta: Bayes karar kuralına giriş
6. hafta: Beklenen kayıp, Bayes riski
7. hafta: Gaussian karar fonksiyonları, Hata sınırları, Alıcı işlem karakteristikleri (ROC)
8. hafta: Ara sınav
9. hafta: Gürültülü özellikler, ML Parametre tahmini
10. hafta: Bayes parametre tahmini
11. hafta: Temel bileşen analizi (PCA)
12. hafta: Sekizgen yüzler
13. hafta: parametrik olmayan tahmin
14. hafta: K-NN tahmini ve Doğrusal ayırt edici analizi (LDA)
15. hafta*: Genel değerlendirme
16. hafta*: Final sınavı
Ders kitapları ve materyaller: Pattern Recognition and Machine Learning, C. M. Bishop, ISBN-13: 978-0387310732, Oct. 2007.
Önerilen kaynaklar: Pattern Recognition and Machine Learning, C. M. Bishop, ISBN-13: 978-0387310732, Oct. 2007.
  * 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.
Değerlendirme Yukarı
Değerlendirme tipi Hafta numarası Ağırlık (%)
Ara sınavlar (Vizeler): 8 35
Dönem içi diğer çalışmalar: 0 0
Proje: 0 0
Ödev: 3,6,9,12 25
Kısa sınav (Quiz): 0 0
Final sınavı: 16 40
  Toplam ağırlık:
(%)
   İş yükü Yukarı
Etkinlik Süre (Haftalık saat) Toplam hafta sayısı Dönem boyu toplam iş yükü
Dersler (Yüz yüze öğretme): 3 14
Ders dışı bireysel çalışma: 1 14
Uygulama, Rehberli problem çözme: 0 0
Ödev: 5 4
Dönem projesi: 0 0
Dönem projesi sunumu: 0 0
Kısa sınav (Quiz): 0 0
Ara sınav için bireysel çalışma: 6 1
Ara sınav (Vize): 1 1
Final sınavı için bireysel çalışma: 8 1
Final sınavı: 3 1
    Toplam işyükü:
    Toplam AKTS kredisi:
*
  * AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)
-->