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

Ders Bilgi Formu ( ELM 642 )


   Temel bilgiler
Ders adı: İşaret İşleme için Makine Öğrenmesi
Ders kodu: ELM 642
Öğretim üyesi: Prof. Dr. Koray KAYABOL
AKTS kredisi: 7.5
GTÜ kredisi: 3 (3+0+0)
Yılı, Dönemi: 1/2, Güz
Dersin düzeyi: Yüksek lisans
Dersin tipi: Alan seçmeli
Öğretim dili: İngilizce
Öğretim şekli: Yüz yüze
Ön koşullar: Yok
Staj durumu: Yok
Dersin amacı: Sayısal işaret işleme ve sayısal haberleşmede kullanılan temel makine öğrenmesi yöntemlerinin tanıtılması
   Öğrenme çıktıları Yukarı

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

  1. Ardışık veriler için temel işaret kestirim yöntemlerini uygularlar.

    Program Çıktılarına Katkıları

    1. İleri düzey Elektronik Mühendisliği kavramlarını tanımlamak ve uygulamak
    2. Gelişmiş mühendislik problemlerini formüle edip çözmek

    Değerlendirme Tipi

    1. Yazılı sınav
    2. Ödev
  2. Ardışık verilere temel sınıflandırma yöntemlerini uygularlar.

    Program Çıktılarına Katkıları

    1. İleri düzey Elektronik Mühendisliği kavramlarını tanımlamak ve uygulamak
    2. Gelişmiş mühendislik problemlerini formüle edip çözmek
    3. Bağımsız araştırma projeleri tasarlamak ve yürütmek

    Değerlendirme Tipi

    1. Yazılı sınav
    2. Ödev
    3. Dönem projesi
  3. Dinamik sistemlere temel parametre kestirim yöntemlerini uygularlar.

    Program Çıktılarına Katkıları

    1. İleri düzey Elektronik Mühendisliği kavramlarını tanımlamak ve uygulamak
    2. Gelişmiş mühendislik problemlerini formüle edip çözmek

    Değerlendirme Tipi

    1. Yazılı sınav
    2. Ödev
   İçerik Yukarı
1. hafta: Giriş, olasılık ve rasgele değişkenler
2. hafta: Rasgele vektörler ve rasgele süreçler
3. hafta: Kestirim teorisine giriş
4. hafta: Uyarlamalı süzgeçler
5. hafta: Ardışık Bayesçi süzgeçleme: Kalman ve parçacık süzgeçleri
6. hafta: Eğitmenli işaret sınıflandırma: Üretici ve ayırıcı modeller
7. hafta: Kümeleme: Beklenti-Enbüyükleme, k-ortalamalar, model derecesi seçimi
8. hafta: Boyut indirgeme: Temel bileşen analizi, bağımsız bileşen analizi
9. hafta: Vize sınavı, Grafik modeller
10. hafta: Markov zincirleri
11. hafta: Saklı Markov Modelleri (SMM)
12. hafta: SMM’lerde çıkarım ve öğrenme: Viterbi ve Baum-Welch algoritmaları
13. hafta: Yapay sinir ağları
14. hafta: Derin öğrenmeye giriş
15. hafta*: -
16. hafta*: Final sınavı
Ders kitapları ve materyaller: Sergios Theodoridis, "Machine Learning: A Bayesian and Optimization Perspective", 1st Ed., Academic Press, 2015.

Christopher M. Bishop, "Pattern Recognition and Machine Learning", 2nd Ed., Springer, 2011.
Önerilen kaynaklar: Ethem Alpaydın, "Introduction to Machine Learning", 2nd Ed., The MIT Press, 2010.
  * 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.
Değerlendirme Yukarı
Değerlendirme tipi Hafta numarası Ağırlık (%)
Ara sınavlar (Vizeler): 9 20
Dönem içi diğer çalışmalar: 0
Proje: 9,10,11,12,13,14 30
Ödev: 2, 4, 6 25
Kısa sınav (Quiz): 0
Final sınavı: 16 25
  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: 3 14
Uygulama, Rehberli problem çözme: 0 0
Ödev: 5 6
Dönem projesi: 8 6
Dönem projesi sunumu: 0 0
Kısa sınav (Quiz): 0 0
Ara sınav için bireysel çalışma: 10 1
Ara sınav (Vize): 2.5 1
Final sınavı için bireysel çalışma: 10 1
Final sınavı: 3 1
    Toplam işyükü:
    Toplam AKTS kredisi:
*
  * AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)
-->