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

Öğrenme çıktıları

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

1. Denetimli ve denetimsiz sınıflandırma algortimalarının teorisini kavrar ve birbirinden ayırabilir

   Program Çıktılarına Katkıları

   1. Jeodezi ve Fotogrametri Mühendisliği kavramlarını uzmanlık derecesinde açıklamak ve uygulamak.
   2. Mühendislik problemlerini belirleme, modelleme ve çözme becerisi kazanmak
   3. Mühendisliğin küresel ve toplumsal boyutlarda etkisini kavrama özelliği kazanır.
   4. Jeodezi ve Fotogrametri Mühendisliği ile ilgili bilgisayar yazılımları hakkında bilgi sahibi olur ve çalıştığı alanla ilgili olan yazılımları etkin bir biçimde kullanır.

   Değerlendirme Tipi

   1. Yazılı sınav
2. İleri sınıflandırma yöntemleri için veri hazırlar

   Program Çıktılarına Katkıları

   1. Jeodezi ve Fotogrametri Mühendisliği kavramlarını uzmanlık derecesinde açıklamak ve uygulamak.
   2. Mühendislik problemlerini belirleme, modelleme ve çözme becerisi kazanmak
   3. Mühendisliğin küresel ve toplumsal boyutlarda etkisini kavrama özelliği kazanır.
   4. Yaşam boyu öğrenme gereğini algılar ve bu yeteneği kazanır.

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Ödev
3. Sınıflandırma sonuçlarını doğruluk metrikleri yardımıyla analiz eder

   Program Çıktılarına Katkıları

   1. Jeodezi ve Fotogrametri Mühendisliği kavramlarını uzmanlık derecesinde açıklamak ve uygulamak.
   2. Mühendislik problemlerini belirleme, modelleme ve çözme becerisi kazanmak
   3. Mühendisliğin küresel ve toplumsal boyutlarda etkisini kavrama özelliği kazanır.

   Değerlendirme Tipi

   1. Yazılı sınav
   2. Ödev

İçerik
1. hafta:	Uzaktan algılamada sınıflandırma yaklaşımları. Kontrollü-kontrolsüz, piksel tabanlı-obje tabanlı, sert-fuzzy sınıflandırmalar arasındaki farklar.
2. hafta:	Geleneksel kontrollü sınıflandırma metotlarının çalışma prensipleri. En yakın komşuluk sınıflandırıcısı, Mahalanobis sınıflandırıcı, maksiumum olabilirlik sınıflandırıcısı.
3. hafta:	Geleneksel kontrollü sınıflandırma metotları ile uygulama. Örnek bir görüntünün görüntü işleme yazılımlarıyla değerlendirilmesi.
4. hafta:	Yapay sinir ağları ile görüntü sınıflandırma. Multi-layer perceptron, recurrent networks, learning vector quantization (LVQ), Hopfield Networks, Self Organizing Maps (SOM).
5. hafta:	Yapay sinir ağları ile görüntü sınıflandırma örek uygulaması. Örnek uygulama multi-layer perceptron yapsının backpropagation öğrenme algoritmasıyla birlikte değerlendirlmesiyle gerçekleştirilecektir.
6. hafta:	Destek vektör makinelerine giriş. Metodun çalışma prensibinin doğrusal ve doğrusal olmayan örnekler için gösterimi.
7. hafta:	Ara Sınav
8. hafta:	Destek vektör makinelerinde kernel fonksiyonlarının önemi, En çok kullanılan kernel fonksiyonları, parametrelerin optimum değerlerinin tespiti.
9. hafta:	Destek vektör makineleri kullanarak uydu görüntüsü sınıflandırılması.
10. hafta:	Karar ağaçlarıyla görüntü sınıflandırmanın temelleri, Aşağıdan yukarı ve yukarıdan aşağıya olan yaklaşımlar. Karar agaçlarında öznitelik seçimi. Gini indeksi ve Towing kuralı.
11. hafta:	Karar ağaçlarıyla görüntü sınıflandırma uygulaması.
12. hafta:	Ensemble öğrenme algoritmaları. Hızlandırma, torbalama, rasgele orman, dönüşümlü orman, decorate vb. metotların karar ağaçlarında kullanılması.
13. hafta:	Örnek veri seti üzerinde ensemble öğrenme algoritmalarının performanslarının analizi.
14. hafta:	Obje tabanlı sınıflandırmanın temelleri. Multi-resolution segmentasyon. Obje tabanlı sınfılandırma uygulaması.
15. hafta*:	.
16. hafta*:	Final sınavı
Ders kitapları ve materyaller:
Önerilen kaynaklar:	Mather, PM, Tso, B., 2009, Classification Methods for Remotely Sensed Data, CRC Press. Camps-Vallsy, G., Bruzzone, L 2009, Kernel Methods for Remote Sensing Data Analysis, John Wiley & Sons. Blashke, T., Lang, S. Hay, G.J., 2008, Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications (Lecture Notes in Geoinformation and Cartography), Springer.
	* 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.

Değerlendirme
Değerlendirme tipi	Hafta numarası	Ağırlık (%)
Ara sınavlar (Vizeler):	7	30
Dönem içi diğer çalışmalar:		0
Proje:		0
Ödev:	5,11	20
Kısa sınav (Quiz):		0
Final sınavı:	16	50
	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	15
Uygulama, Rehberli problem çözme:	0	0
Ödev:	6	11
Dönem projesi:	0	0
Dönem projesi sunumu:	0	0
Kısa sınav (Quiz):	0	0
Ara sınav için bireysel çalışma:	5	3
Ara sınav (Vize):	1	3
Final sınavı için bireysel çalışma:	3	3
Final sınavı:	1	2
		Toplam işyükü:
		Toplam AKTS kredisi:	*
	* AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)