Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
1EEE 505Introduction to Machine Learning3+0+03618.06.2026

 
Dersin Detayları
Dersin Dili İngilizce
Dersin Düzeyi Yüksek Lisans
Bölümü / Programı ELEKTRİK-ELEKTRONİK MÜH.(Tezli Y.Lisans)
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı, öğrencilere makine öğrenmesinin temel kavramlarını, yöntemlerini ve uygulama alanlarını tanıtmaktır. Ders kapsamında öğrencilerin; denetimli ve denetimsiz öğrenme yaklaşımlarını, regresyon, sınıflandırma, kümeleme, karar ağaçları, destek vektör makineleri ve yapay sinir ağları gibi temel algoritmaları kavramaları hedeflenmektedir. Ayrıca öğrencilerin veri ön işleme, model seçimi, aşırı öğrenme, genelleme başarımı ve model değerlendirme konularında bilgi sahibi olmaları ve temel makine öğrenmesi problemlerine uygun yöntemleri seçip uygulayabilmeleri amaçlanmaktadır.
Dersin İçeriği Makine öğrenmesine giriş; veri ön işleme ve veri analizi; denetimli ve denetimsiz öğrenme yaklaşımları; regresyon ve sınıflandırma yöntemleri; karar ağaçları, k-en yakın komşu, Naive Bayes, destek vektör makineleri ve yapay sinir ağları; kümeleme ve boyut indirgeme yöntemleri; model seçimi, çapraz doğrulama, aşırı öğrenme ve genelleme; performans ölçütleri ve model değerlendirme; temel derin öğrenme yaklaşımları ve makine öğrenmesi algoritmalarının mühendislik problemlerine uygulanması.
Dersin Yöntem ve Teknikleri Ders; teorik anlatım, problem çözme, örnek veri setleri üzerinden uygulama, algoritma karşılaştırmaları ve proje/ödev çalışmaları ile yürütülür. Öğrencilerin makine öğrenmesi algoritmalarını kavramaları için sınıf içi tartışmalar, bilgisayar destekli uygulamalar, kodlama örnekleri ve model performansı değerlendirme çalışmaları kullanılır. Ders kapsamında öğrencilerin temel makine öğrenmesi yöntemlerini gerçek veya örnek mühendislik problemleri üzerinde uygulamaları beklenir.
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Prof.Dr. Ergun Erçelebi ercelebi@gantep.edu.tr
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition, O’Reilly Media. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd Edition, Springer. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Alpaydın, E. (2020). Introduction to Machine Learning. 4th Edition, MIT Press.
Ders Notları Ders notları; haftalık konu anlatım sunumları, örnek problem çözümleri, makine öğrenmesi algoritmalarına ilişkin uygulama dokümanları ve örnek veri setleri üzerinden yapılan çalışmalar şeklinde paylaşılacaktır. Öğrencilerin derse gelmeden önce ilgili haftanın konusunu incelemeleri ve uygulamalı çalışmalar için temel programlama bilgisine sahip olmaları beklenir.

Ders Yapısı
Matematik ve Temel Bilimler %30
Mühendislik Bilimleri %10
Mühendislik Tasarımı %20
Alan Bilgisi %10

Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 30
Ödev 5 % 20
Proje 1 % 20
Yarıyıl Sonu Sınavı 1 % 30
Toplam :
8
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Haftalık teorik ders saati 14 3 42
Okuma Faaliyetleri 14 2 28
İnternetten tarama, kütüphane çalışması 6 3 18
Materyal tasarlama, uygulama 6 4 24
Rapor hazırlama 1 12 12
Sunu hazırlama 1 6 6
Sunum 1 1 1
Ara sınav ve ara sınava hazırlık 1 20 20
Final sınavı ve final sınavına hazırlık 1 29 29
Toplam İş Yükü   AKTS Kredisi : 6 180

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Makine öğrenmesinin temel kavramlarını, öğrenme türlerini ve temel uygulama alanlarını açıklar.
2 Veri ön işleme, özellik çıkarımı ve veri setinin eğitim/test olarak ayrılması gibi temel hazırlık adımlarını uygular.
3 Regresyon, sınıflandırma ve kümeleme problemleri için uygun makine öğrenmesi yöntemlerini seçer.
4 Karar ağaçları, k-en yakın komşu, Naive Bayes, destek vektör makineleri ve yapay sinir ağları gibi temel algoritmaları açıklar ve uygular.
5 Model başarımını doğruluk, hata oranı, duyarlılık, özgüllük, F1-skoru ve benzeri ölçütlerle değerlendirir.
6 Aşırı öğrenme, genelleme, çapraz doğrulama ve model seçimi kavramlarını kullanarak makine öğrenmesi modellerini karşılaştırır.
7 Temel makine öğrenmesi algoritmalarını mühendislik problemlerine uygular ve elde edilen sonuçları yorumlar.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Makine öğrenmesine giriş, temel kavramlar ve uygulama alanları Ders izlencesinin incelenmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
2 Veri türleri, veri setleri, eğitim-test ayrımı ve veri ön işleme Temel Python ve veri yapılarının gözden geçirilmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
3 Denetimli öğrenme, regresyon problemi ve doğrusal regresyon Regresyon ve hata kavramlarının incelenmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
4 Sınıflandırma problemi, k-en yakın komşu ve Naive Bayes yöntemleri Sınıflandırma örneklerinin incelenmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
5 Karar ağaçları ve model yorumlanabilirliği Karar ağacı algoritmasının okunması Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
6 Lojistik regresyon ve doğrusal sınıflandırıcılar Doğrusal model kavramlarının tekrar edilmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
7 Destek vektör makineleri ve çekirdek yöntemleri SVM temel kavramlarının incelenmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
8 Ara sınav ve önceki konuların genel değerlendirilmesi Ara sınava hazırlık Ders notları, çalışma soruları
9 Yapay sinir ağlarına giriş, algılayıcı ve çok katmanlı ağlar Temel türev ve optimizasyon kavramlarının gözden geçirilmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
10 Model eğitimi, kayıp fonksiyonları, gradyan inişi ve aşırı öğrenme Optimizasyon ve hata fonksiyonlarının incelenmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
11 Model seçimi, çapraz doğrulama ve performans ölçütleri Başarım ölçütlerinin tekrar edilmesi Weekly lecture notes, application documents, and the relevant chapter of the reference book.
12 Denetimsiz öğrenme, kümeleme yöntemleri ve k-means algoritması Kümeleme örneklerinin incelenmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
13 Boyut indirgeme, temel bileşen analizi ve özellik seçimi Lineer cebir ve kovaryans kavramlarının gözden geçirilmesi Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.
14 Temel derin öğrenme yaklaşımları, proje sunumları ve genel tekrar Proje raporu ve sunum hazırlığı Haftalık ders notları, uygulama dokümanları ve ilgili referans kitap bölümü.

 
Sürdürülebilir Kalkınma Amaçları
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4
Tüm 4 4 4
Ö1 3 2 2
Ö2 3 4 4
Ö3 4 4 4
Ö4 5 4 4
Ö5 3 5 4
Ö6 4 5 4
Ö7 5 4 5

  Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek

  
  https://obs.gaziantep.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=455331&lang=tr