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

Öğrenme çıktıları

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

1. Sınıflandırma, regresyon ve öbekleme terminolojisini kullanabilme

   Program Çıktılarına Katkıları

   1. Matematik, fen ve mühendislik bilgilerini gerçek hayattaki problemlere uygulayabilmek
   2. Mühendislik problemlerini formüle edip çözmek
   3. Mevcut bilgiyi geliştirme yöntemleri bulmak
   4. Modern yöntemler ve teknik araçları kullanmak

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Ödev
2. Makine öğrenmesindeki farklı yaklaşımların teorisini açıklayabilme

   Program Çıktılarına Katkıları

   1. Matematik, fen ve mühendislik bilgilerini gerçek hayattaki problemlere uygulayabilmek
   2. Mühendislik problemlerini formüle edip çözmek
   3. Elektronik Mühendisliği alanındaki problemlerin farkında olmak ve bilgiyi toplumun refahı için kullanmak

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Ödev
3. Pratik problemlerin çözümü için gerekli olan teorik bilgi ile kodlama becerisinin kazanılması

   Program Çıktılarına Katkıları

   1. Veri analizi ve yorumunun yanında deneyler tasarlayıp yürütmek
   2. Mühendislik problemlerini formüle edip çözmek

   Değerlendirme Tipi

   1. Ödev
   2. Dönem projesi

İçerik
1. hafta:	Makine öğrenmesindeki temel terminolojinin tanıtılması. Büyük veri, sınıflandırma, derin öğrenme, gözetimli ve gözetimsiz öğrenmenin tanımları.
2. hafta:	Olasılık dağılımları. Momentler ve Gaus dağılımı. Durum vektörleri ve çok boyutlu dağılımlar. Örnek problem çözümü ve kodlama.
3. hafta:	Parametrik kestirim. Olabilirlik fonksiyonu. Bayesçi sınıflandırma. Naif Bayes sınıflandırıcıları. Örnek problem çözümü ve kodlama. Ödev 1: Naif Bayes sınıflandırıcıları.
4. hafta:	Boyut azaltma. PCA, LDA, SVD, matris faktorizasyonu. Isomap. Örnek problem çözümü ve kodlama. Proje konularının atanması.
5. hafta:	Gözetimsiz öğrenme. Öbekleme. Olasılık dağılımı karışımları. k-means. EM algoritması. Spektral, hiyerarşik öbekleme yaklaşımları. Öbek adedinin belirlenmesi. Örnek problem çözümü ve kodlama. Ödev 2: Boyut azaltma ve öbekleme.
6. hafta:	Parametrik olmayan yaklaşımlar. Histogramlar. Kernel yaklaşımları. k-nn. Sıradışılık kestirimi. Örnek problem çözümü ve kodlama.
7. hafta:	Ara sınav. Karar ağaçları. Sınıflandırma ve regresyon ağaçları. Örnek problem çözümü ve kodlama.
8. hafta:	Destek vektör makinaları. Örnek problem çözümü ve kodlama. Ödev 3: Karar ağaçları.
9. hafta:	Bayesçi kestirim. Hipotez testleri. Örnek problem çözümü ve kodlama.
10. hafta:	Topluluk sınıflandırıcıları. Örnek problem çözümü ve kodlama. Ödev 4: Sınıflandırma algoritmaları.
11. hafta:	Doğrusal ayrıştırıcılar. Çok sınıflı ayrıştırma. Gradyan azaltma ve parametre kestirimi. Örnek problem çözümü ve kodlama.
12. hafta:	Yapay sinir ağlarına giriş. Perceptron. Çok katmanlı ağlar. Ödev 5: Yapay sinir ağları.
13. hafta:	Aktivasyon fonksiyonları. Geri yayılım. Derin öğrenme. Örnek problem çözümü ve kodlama.
14. hafta:	Pekiştirmeli öğrenme. Proje sunumları
15. hafta*:	-
16. hafta*:	Final sınavı
Ders kitapları ve materyaller:	E. Alpaydin, Introduction to Machine Learning. MIT, 2014.
Önerilen kaynaklar:	R. O. Duda, P. E. Hart, ve D. G. Stork, Pattern Classification. Wiley, 2000.
	* 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.

Değerlendirme
Değerlendirme tipi	Hafta numarası	Ağırlık (%)
Ara sınavlar (Vizeler):	7	20
Dönem içi diğer çalışmalar:	-	0
Proje:	4- 14	25
Ödev:	3,5,8,10,12	25
Kısa sınav (Quiz):	-	0
Final sınavı:	16	30
	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:	3	14
Uygulama, Rehberli problem çözme:	0	0
Ödev:	4	5
Dönem projesi:	16	1
Dönem projesi sunumu:	1	1
Kısa sınav (Quiz):	0	0
Ara sınav için bireysel çalışma:	12	1
Ara sınav (Vize):	1	1
Final sınavı için bireysel çalışma:	14	1
Final sınavı:	2	1
		Toplam işyükü:
		Toplam AKTS kredisi:	*
	* AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)