Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
1YBS833MAKİNE ÖĞRENMESİ2+1+03630.11.2025

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Yüksek Lisans
Bölümü / Programı Yönetim Bilişim Sistemleri Tezli Yüksek Lisans
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı, temel makine öğrenmesi yöntemlerini, algoritmalarını ve uygulamalarını öğretmek; öğrencilere veri analizi, modelleme ve değerlendirme yeteneklerini kazandırmaktır.
Dersin İçeriği Makine öğrenmesine giriş: Tanımlar ve temel kavramlar
Denetimli öğrenme: Sınıflandırma ve regresyon algoritmaları
Denetimsiz öğrenme: Kümeleme yöntemleri
Model değerlendirme metrikleri (hata oranı, doğruluk, precision, recall)
Aşırı öğrenme (overfitting) ve düzenleme (regularization) yöntemleri
Karar ağaçları, k-En Yakın Komşu (k-NN), Naive Bayes, Destek Vektör Makineleri (SVM)
Ensemble öğrenme: Bagging, Boosting yöntemleri
Derin öğrenmeye giriş
Dersin Yöntem ve Teknikleri Anlatım
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Dr. Öğr. Üyesi Ahmet ÇANKAL akbis.osmaniye.edu.tr/&ahmet.cankal ahmet.cankal@osmaniye.edu.tr
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Introduction to Machine Learning with Python, Andreas C. Müller & Sarah Guido, ISBN: 978-1449369415.
Pattern Recognition and Machine Learning, Christopher M. Bishop, ISBN: 978-0387310732.


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

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 40
Yarıyıl Sonu Sınavı 1 % 60
Toplam :
2
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 7 98
Ara Sınavlar 1 15 15
Yarıyıl Sonu Sınavı 1 15 15
Toplam İş Yükü   AKTS Kredisi : 6 170

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Makine öğrenmesinin temel kavramlarını tanır ve açıklar.
2 Sınıflandırma, regresyon ve kümeleme algoritmalarını uygular.
3 Eğitim ve test verileri üzerinde model performansını değerlendirir.
4 Farklı makine öğrenmesi tekniklerini karşılaştırır ve uygun yöntemleri seçer.
5 Gerçek dünyadan alınmış veri setleri üzerinde temel makine öğrenmesi projeleri geliştirir.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Makine Öğrenmesine Giriş: Tanımlar ve Alanları Ders kaynaklarından hazırlık
2 Veri Ön İşleme ve Özellik Seçimi Ders kaynaklarından hazırlık
3 Denetimli Öğrenme: Regresyon Ders kaynaklarından hazırlık
4 Denetimli Öğrenme: Sınıflandırma Ders kaynaklarından hazırlık
5 Karar Ağaçları Ders kaynaklarından hazırlık
6 k-NN ve Naive Bayes Algoritmaları Ders kaynaklarından hazırlık
7 Destek Vektör Makineleri (SVM) Ders kaynaklarından hazırlık
8 Aykırı değerler Ders kaynaklarından hazırlık
9 Denetimsiz Öğrenme: Kümeleme Algoritmaları Ders kaynaklarından hazırlık
10 Model Değerlendirme Yöntemleri Ders kaynaklarından hazırlık
11 Ensemble Yöntemleri: Bagging, Boosting Ders kaynaklarından hazırlık
12 Derin Öğrenmeye Giriş Ders kaynaklarından hazırlık
13 Gerçek Veri Üzerinde Proje Çalışması Ders kaynaklarından hazırlık
14 Proje Sunumları ve Genel Tekrar Ders kaynaklarından hazırlık

 
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Tüm 2 1 4 3 4 1 2 4 1 2
Ö1 2 1 4 3 4 1 2 4 1 2
Ö2 2 1 4 3 4 1 2 4 1 2
Ö3 2 1 4 3 4 1 2 4 1 2
Ö4 3 1 4 3 4 1 2 4 1 2
Ö5 3 1 4 3 4 1 2 4 1 2

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

  
  https://obs.osmaniye.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=241970&curProgID=5764&lang=tr