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

Öğrenme çıktıları

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

1. 1. Bu derste makine öğrenmesi ve derin öğrenmenin gömülü sistem uygulamaları üzerine çalışılmaktadır. doğal lisan işleme, pekiştirmeli öğrenme gibi makine öğrenmesi konularında temel yaklaşımlar anlatılmaktadır. Öğretilen algoritmaların ödev ve projelerle simülasyonlarda veya gerçek veriler üzerinde uygulanmasıyla pratikte kullanabilecekleri yazılım tecrübesi de kazandırılır. 2. Her öğrenci proje kapsamında bildiri formatında bir rapor da yazarak yazım kabiliyetinin de gelişmesine katkı sağlanır.

   Program Çıktılarına Katkıları

   1. Projelerde karşılaşılan teknik problemlerin çözüm yöntemleri hakkında bilgi sahibi olmak.
   2. Çalışılan alandaki literatürü takip edebilmek.
   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
   6. Profesyonel ve etik davranış sorumluluğu sergilemek

   Değerlendirme Tipi

   1. Ödev
   2. Seminer/sunum
   3. Dönem projesi

İçerik
1. hafta:	Temel Görüntü İşleme Görüntü Dönüşümleri, Görüntü Aritmetiği, Maskeleme, Bölme ve Kanalları Birleştirme, Çekirdekler, Morfolojik İşlemler, Düzeltme ve Bulanıklaştırma, Aydınlatma ve Renk Uzayları,
2. hafta:	Resim parçalama Gradyanlar, Nokta Algılama, Çizgi Algılama, Kenar Algılama, Kontur Segmentasyonu, Hough Dönüşümleri, Eşikleme
3. hafta:	Görüntü Açıklayıcıları / Özellik Çıkarma Görüntü Tanımlayıcıları, Özellik Tanımlayıcıları, Özellik Vektörleri Renk Histogramları, Hu Moments, Zernike Moments, Haralick Texture, Local Binary Patterns,
4. hafta:	Görüntü Açıklayıcıları / Özellik Çıkarma Yönlendirilmiş Gradyanların Histogramı Yerel Değişmez Tanımlayıcılar, Harris, SIFT, SURF İkili Tanımlayıcılar: BRIEF, ORB, BRISK, FREAK, Binary Feature Extraction and Matching
5. hafta:	Nesne Detektörleri Nesne Algılamaya Giriş Şablon eşleme Görüntü Piramitleri, Kayar Pencereler Özel Nesne Algılama Çerçevesi Oluşturma
6. hafta:	Nesne Detektörleri Deney ve Eğitim Verilerinizi Hazırlama HOG Tanımlayıcısının oluşturulması Maxima Olmayan Bastırma Özel Nesne Dedektörünüzü Eğitme
7. hafta:	Makine öğrenme Makine öğrenimine giriş Öğrenme Algoritması Türleri Desen tanıma Görüntü Sınıflandırmasına Genel Bakış Görüntü Sınıflandırma Boru Hattı K - En Yakın Komşu Sınıflandırması Naive Bayes'in Sınıflandırıcısı
8. hafta:	Makine öğrenme Ortak Makine Öğrenimi Algoritmaları Lojistik Regresyon, Destek Vektör Makineleri, Karar Ağaçları, Rastgele Ormanlar, K - Kümeleme Demektir Sınıflandırma için Görsel Kelime Çantası Görüntü Sınıflandırma Örnekleri
9. hafta:	Derin Öğrenme Nöral ağlar Perceptron Algoritması Derin Öğrenmeye Giriş
10. hafta:	Derin Öğrenme Evrişimli Sinir Ağları CNN Mimarilerinin Eğitimi ve Uygulanması DL ile Görüntü Sınıflandırma
11. hafta:	Kameralar Bir Dijital Kameranın Özellikleri, Koordinatlar Kamera Modelleri, İçsel ve Dışsal Parametreler, Kamera Kalibrasyonu
12. hafta:	Raspberry Pi Computer Vision Projeleri OpenCV'yi Raspberry Pi'ye Yükleme Raspberry Pi Kamerayı Kurmak Raspberry Pi Kameraya ve Video Akışına Erişim Ev Gözetleme ve Hareket Algılama Güvenlik için Yüz Tanıma
13. hafta:	Durum çalışmaları 1. Yüz Tanıma a. Görüntülerde Yüz Algılama b. Videoda Yüz Algılama c. Yüz Tanıma için Yerel İkili Modeller d. Özyüz Algoritmasını Kullanarak Yüz Tanıma 2. El Hareketi Tanıma a. El Hareketi Tanıma Giriş b. El ve Parmak Segmentasyonu c. Hareketleri Tanıma
14. hafta:	Durum çalışmaları 3. Otomatik Plaka Tanıma a. Resimlerdeki Lisans Plakalarını Yerelleştirme b. Karakterleri Plakadan Bölümlere Ayırma 4. Videoda Nesne İzleme 5. Kitap Kapaklarının Belirlenmesi
15. hafta*:	-
16. hafta*:	-
Ders kitapları ve materyaller:	1. Computer Vision: Algorithms and Applications by Richard Szeliski 2. Programming computer vision with Python by Jan Erik Solem 3. Learning from Data by Yasee Abu Mostafa 4. Deep learning by Ian Good fellow and Yoshua Bengio
Önerilen kaynaklar:	1. Computer Vision: Algorithms and Applications by Richard Szeliski 2. Programming computer vision with Python by Jan Erik Solem 3. Learning from Data by Yasee Abu Mostafa 4. Deep learning by Ian Good fellow and Yoshua Bengio
	* 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.

Değerlendirme
Değerlendirme tipi	Hafta numarası	Ağırlık (%)
Ara sınavlar (Vizeler):		0
Dönem içi diğer çalışmalar:		0
Proje:		50
Ödev:		50
Kısa sınav (Quiz):		0
Final sınavı:		0
	Toplam ağırlık:	(%)

İş yükü
Etkinlik	Süre (Haftalık saat)	Toplam hafta sayısı	Dönem boyu toplam iş yükü
Dersler (Yüz yüze öğretme):	3	16
Ders dışı bireysel çalışma:	3	16
Uygulama, Rehberli problem çözme:	0	0
Ödev:	2	16
Dönem projesi:	2	16
Dönem projesi sunumu:	2	16
Kısa sınav (Quiz):	0	0
Ara sınav için bireysel çalışma:	0	0
Ara sınav (Vize):	0	0
Final sınavı için bireysel çalışma:	0	0
Final sınavı:	0	0
		Toplam işyükü:
		Toplam AKTS kredisi:	*
	* AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)