PAÜ .:. Eğitim Öğretim Bilgi Sistemi

Yazdır

DERS BİLGİLERİ

Ders Kod	Ders Ad	T+U Saat	Yarıyıl	AKTS
CENG 420	MAKİNE ÖĞRENMESİ VE İMGE TANIMA	3 + 0	7. Yarıyıl	5

DERS TANIMI

Ders Düzeyi	Lisans
Ders Türü	Seçmeli
Dersin Amacı	Bu dersin amacı makine öğrenmesi ve imge tanıma yöntemlerinin öğretilmesidir.
Ders İçeriği	Makine öğrenmesine giriş, örneklemeli öğrenme, regresyon, model derecesi ve genelleme özellikleri, Bayes karar teorisi, en büyük olabilirlik tahminlemesi, uzaklık fonksiyonları, çok değişkenli modeller ve regresyon, boyut indirgeme ve temel bileşen analizi, k-means öbekleme algoritması, karar ağaçları, destek vektör makineleri, yapay sinir ağları ve gizli Markov modelleri.
Ders Ön Koşul	Dersin ön koşulu yok.
Ders Yan Koşul	Dersin yan koşulu yok.
Öğretim Sistemi	Yüz Yüze

DERS ÖĞRENME KAZANIMLARI

1	Temel imge tanıma kavramlarını listeler
2	İstatistiksel metotları açıklar
3	Doğrusal metotları açıklar
4	Doğrusal olmayan metotları açıklar

DERS ÖĞRENME KAZANIMININ PROGRAM YETERLİLİKLERİNE KATKISI

No	PY 01	PY 02	PY 03	PY 04	PY 05	PY 06	PY 07	PY 08	PY 09	PY 10	PY 11	PY 12
ÖK 001	4	4	2	2		5					4
ÖK 002	4	4	2	2		5					4
ÖK 003	4	4	2	2		5					4
ÖK 004	4	4	2	2		5					4
Ara Toplam	16	16	8	8		20					16
Katkı	4	4	2	2	0	5	0	0	0	0	4	0

AKTS / İŞ YÜKÜ TABLOSU

Etkinlik	Sayısı	Süresi (Saat)	Toplam İş Yükü (Saat)
Ders Süresi(14 hafta/teorik+uygulama)	14	3	42
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme)	10	5	50
Arasınavlar(hazırlık süresi dahil)	1	13	13
Yarıyıl Sonu Sınavı(hazırlık süresi dahil)	1	25	25
Toplam İş Yükü Dersin AKTS Kredisi			130 5

DERS ŞUBELERİ

Dönem seçiniz :

Yazdır

Ders Şube Detayları

Dersin Kodu	Dersin Ad	Saat (T+P)	Şube No	Öğretim Dili	Şube Dönemi
CENG 420	MAKİNE ÖĞRENMESİ VE İMGE TANIMA	3 + 0	1	Türkçe	2023-2024 Bahar

Öğretim Elemanı	E-Posta	İç Hat	Ders Yeri	Devam Zorunluluğu
Dr. Öğr. Üyesi ALPER UĞUR	augur@pau.edu.tr		MUH A0435	Dersin Devam Yüzdesi : %70

Amaç		Bu dersin amacı makine öğrenmesi ve imge tanıma yöntemlerinin öğretilmesidir.
İçerik		Makine öğrenmesine giriş, örneklemeli öğrenme, regresyon, model derecesi ve genelleme özellikleri, Bayes karar teorisi, en büyük olabilirlik tahminlemesi, uzaklık fonksiyonları, çok değişkenli modeller ve regresyon, boyut indirgeme ve temel bileşen analizi, k-means öbekleme algoritması, karar ağaçları, destek vektör makineleri, yapay sinir ağları ve gizli Markov modelleri.

Haftalık Konu Başlıkları

Hafta	Konular
1	Giriş ve Temel Kavramlar
2	Karar ağaçları, Rassal orman algoritmaları
3	Weka uygulaması, regresyon
4	Sınıflandırma, kural tabanlı naif bayes
5	sınıflandırma svm
6	Kümeleme kmeans
7	Knime uygulaması
8	YSA
9	Tensorflow
10	Tensorflow
11	Görüntü sınıflandırma
12	Görüntü sınıflandırma
13	Proje sunumları
14	Proje sunumları

Materyaller

Materyal belirtilmemiştir.

Kaynaklar

Kaynaklar	Kaynak Dili
Weka, https://www.cs.waikato.ac.nz/ml/weka/	English
Tensorflow, https://www.tensorflow.org/	English
Singh, H. (2019) Practical machine learning and image processing : for facial recognition, object detection, and pattern recognition using python. Berkeley, California: Apress. doi: 10.1007/978-1-4842-4149-3.	English
Rebala, G., Ravi, A. and Churiwala, S. (2019), An Introduction to Machine Learning, Springer	English

Ders Değerlendirme Sistemi

T+U : Teorik + Pratik
PY: Program Yeterlilikleri
ÖK: Ders Öğrenme Kazanımları

Aday Öğrenci