• Temel bilgiler
• Öğrenme çıktıları
• İçerik
• Değerlendirme
• İş yükü

Öğrenme çıktıları

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

1. İşaret ve parametre kestiriminde kullanılan deterministik çıkarım yöntemlerini ve öğrenme algoritmalarını kullanırlar

   Program Çıktılarına Katkıları

   1. İleri düzey Elektronik Mühendisliği kavramlarını tanımlamak ve uygulamak
   2. Gelişmiş mühendislik problemlerini formüle edip çözmek
   3. Bilimsel bilgiye ulaşmak
   4. Mevcut bilgiyi geliştirme yöntemleri bulmak
   5. Araştırma konusu ile ilgili fikir ve bulgularını sözlü ve yazılı olarak etkin şekilde ifade edebilmek

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Ödev
   3. Dönem projesi
2. İşaret ve parametre kestiriminde kullanılan Monte Carlo çıkarım yöntemlerini ve öğrenme algoritmalarını kullanırlar

   Program Çıktılarına Katkıları

   1. İleri düzey Elektronik Mühendisliği kavramlarını tanımlamak ve uygulamak
   2. Gelişmiş mühendislik problemlerini formüle edip çözmek
   3. Bilimsel bilgiye ulaşmak
   4. Mevcut bilgiyi geliştirme yöntemleri bulmak

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Ödev
   3. Dönem projesi
3. Doğrusal ve doğrusal olmayan dinamik modellerde kullanılan çıkarım yöntemlerini ve öğrenme algoritmalarını kullanırlar

   Program Çıktılarına Katkıları

   1. İleri düzey Elektronik Mühendisliği kavramlarını tanımlamak ve uygulamak
   2. Gelişmiş mühendislik problemlerini formüle edip çözmek
   3. Bilimsel bilgiye ulaşmak
   4. Mevcut bilgiyi geliştirme yöntemleri bulmak

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Ödev
   3. Dönem projesi

İçerik
1. hafta:	Rasgele değişkenler
2. hafta:	Rasgele değişken çiftleri
3. hafta:	Rasgele vektörler, istatistik ve çıkarım
4. hafta:	Enbüyük olabilirlik, enbüyük sonsal ve enküçük ortalama karesel hata kestirimleri
5. hafta:	Kestirim için hesaplamalı yöntemler: Endik iniş, Newton-Raphson ve LASSO
6. hafta:	Kestirim için Monte Carlo yöntemleri: Ret ve önem örneklemesi
7. hafta:	Çok bilinmeyenli modelerde hesaplamalı yöntemler: Yinelemeli sonsal kestirim, koordinat iniş, Gibbs örneklemesi
8. hafta:	Değişimsel Bayes ve beklenti enbüyükleme
9. hafta:	Vize sınavı
10. hafta:	Sınıflandırma için üretici ve ayırıcı modeller: Bayes sınıflandırıcı, lojistik bağlanım, softmax
11. hafta:	Sonlu karışım modelleri ve beklenti enbüyükleme
12. hafta:	Rasgele süreçler, Markov zincirleri
13. hafta:	Saklı Markov modellerinde çıkarım
14. hafta:	Dinamik modeller, Kalman ve parçacık süzgeci
15. hafta*:	Genel tekrar
16. hafta*:	Final sınavı
Ders kitapları ve materyaller:	C. M. Bishop, "Pattern Recognition and Machine Learning", Springer 2006.
Önerilen kaynaklar:	G. Andrew, J.B. Carlin, H.S. Stern, D.B. Rubin, "Bayesian Data Analysis", Chapman & Hall/CRC, 2014.
	* 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.

Değerlendirme
Değerlendirme tipi	Hafta numarası	Ağırlık (%)
Ara sınavlar (Vizeler):	9	30
Dönem içi diğer çalışmalar:		0
Proje:	15	15
Ödev:	3,5,7,10	15
Kısa sınav (Quiz):		0
Final sınavı:	16	40
	Toplam ağırlık:	(%)

İş yükü
Etkinlik	Süre (Haftalık saat)	Toplam hafta sayısı	Dönem boyu toplam iş yükü
Dersler (Yüz yüze öğretme):	3	14
Ders dışı bireysel çalışma:	4	14
Uygulama, Rehberli problem çözme:	0	0
Ödev:	5	8
Dönem projesi:	10	2
Dönem projesi sunumu:	0	0
Kısa sınav (Quiz):	0	0
Ara sınav için bireysel çalışma:	12	1
Ara sınav (Vize):	3	1
Final sınavı için bireysel çalışma:	12	1
Final sınavı:	3	1
		Toplam işyükü:
		Toplam AKTS kredisi:	*
	* AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)