Dersin Adı | Otomatik Öğrenme |
Kodu | Yarıyıl | Teori (saat/hafta) | Uygulama/Lab (saat/hafta) | Yerel Kredi | AKTS |
---|---|---|---|---|---|
CE 531 | Güz/Bahar | 3 | 0 | 3 | 7.5 |
Ön-Koşul(lar) | Yok | |||||
Dersin Dili | İngilizce | |||||
Dersin Türü | Seçmeli | |||||
Dersin Düzeyi | Yüksek Lisans | |||||
Dersin Veriliş Şekli | - | |||||
Dersin Öğretim Yöntem ve Teknikleri | ||||||
Dersin Koordinatörü | ||||||
Öğretim Eleman(lar)ı | - | |||||
Yardımcı(ları) | - |
Dersin Amacı | Otomatik öğrenme, deneyim ile otomatik olarak kendini geliştirebilen bilgisayar programlarının nasıl tasarlanacağı ile ilgilidir. Son yıllarda, sahte kredi kartı işlemlerini bulmaya çalışan veri madenciliği uygulamalarından, halka açık yollarda sürüş yapabilen otonom araçlara kadar değişen bir çok başarılı uygulama tasarlandı. Aynı zamanda, bu alanın temellerini oluşturan teori ve algoritmalarda da önemli ilerlemeler kaydedildi. Bu dersin amacı, otomatik öğrenme alanında kullanılan, en yeni ve etkin algoritmaları gözden geçirmektir. Bu algoritmaların hem teorik özellikleri hem de pratik uygulamaları tartışılacaktır. |
Öğrenme Çıktıları | Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Ders Tanımı | Otomatik öğrenme, geçmiş deneyimleriyle otomatik olarak performanslarını iyileştiren bilgisayar programları ile ilgilenir. Yapay zeka, istatistik, bilgi kuramı, biyoloji ve kontrol teorisi gibi bir çok alandan ilham alan otomatik öğrenme dersinde aşağıdaki konular işlenecektir; Konsept öğrenme, Karar ağacı öğrenme, Yapay sinir ağları, Temelli öğrenme, Evrimsel algoritmalar, Destekli öğrenme, Bayes öğrenmesi, Hesapsal öğrenme teorisi. |
Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları | |
| Temel Ders | |
Uzmanlık/Alan Dersleri | ||
Destek Dersleri | ||
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
Hafta | Konular | Ön Hazırlık |
1 | Giriş | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 1) |
2 | Concept Learning | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 2) |
3 | Decision Trees | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 3) |
4 | Artificial Neural Networks | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 4) |
5 | Bayesian Learning | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 6) |
6 | Computational Learning Theory | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 7) |
7 | Instance-Based Learning | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 8) |
8 | Ara sınav | |
9 | Genetic Algorithms | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 9) |
10 | Learning Sets of Rules | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 10) |
11 | Analytical Learning | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 11) |
12 | Reinforcement Learning | T. Mitchell, Machine Learning;, McGrawHill, 1997, hardcover ISBN 0-07-042807-7 (Ch. 13) |
13 | Discussions, Research and Presentations | |
14 | Discussions, Research and Presentations | |
15 | Özet | |
16 | - |
Ders Kitabı | Yukarıda belirtilen kitap ve ders yansıları |
Önerilen Okumalar/Materyaller | İlgili Araştırma Makaleleri |
Yarıyıl Aktiviteleri | Sayı | Katkı Payı % |
Katılım | ||
Laboratuvar / Uygulama | ||
Arazi Çalışması | ||
Küçük Sınav / Stüdyo Kritiği | ||
Portfolyo | ||
Ödev | ||
Sunum / Jüri Önünde Sunum | 2 | 30 |
Proje | 1 | 40 |
Seminer/Çalıştay | ||
Sözlü Sınav | ||
Ara Sınav | 1 | 30 |
Final Sınavı | ||
Toplam |
Yarıyıl İçi Aktivitelerin Başarı Notuna Katkısı | 4 | 100 |
Yarıyıl Sonu Aktivitelerin Başarı Notuna Katkısı | ||
Toplam |
Yarıyıl Aktiviteleri | Sayı | Süre (Saat) | İş Yükü |
---|---|---|---|
Teorik Ders Saati (Sınav haftası dahildir: 16 x teorik ders saati) | 16 | 3 | 48 |
Laboratuvar / Uygulama Ders Saati (Sınav haftası dahildir. 16 x uygulama/lab ders saati) | 16 | ||
Sınıf Dışı Ders Çalışması | 15 | 7 | 105 |
Arazi Çalışması | |||
Küçük Sınav / Stüdyo Kritiği | |||
Portfolyo | |||
Ödev | |||
Sunum / Jüri Önünde Sunum | 2 | 6 | |
Proje | 1 | 35 | |
Seminer/Çalıştay | |||
Sözlü Sınav | |||
Ara Sınavlar | 1 | 25 | |
Final Sınavı | |||
Toplam | 225 |
# | Program Yeterlilikleri / Çıktıları | * Katkı Düzeyi | ||||
1 | 2 | 3 | 4 | 5 | ||
1 | Matematik, Fen Bilimleri, Biyomühendislik konularında yeterli bilgi birikimine sahiptir; bu alanlardaki kuramsal ve uygulamalı bilgileri çeşitli Biyomühendislik problemlerini modelleme ve çözme amacıyla kullanır. | |||||
2 | Belirsiz, sınırlı ya da eksik verileri kullanarak, bilimsel yöntemlerle bilgiyi tamamlar ve uygular; ilgili disiplinlere ait bilgileri bir arada kullanır. | |||||
3 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık problemleri çözer. | |||||
4 | Doğa bilimleri ve Biyomühendislik temellerini kullanarak sistem, ekipman veya süreç tasarımı gerçekleştirir. | |||||
5 | Biyomühendislik alanındaki yeni gelişmeleri takip ve teknolojileri takip eder ve kullanır. | |||||
6 | Biyomühendislik disiplini içinde ve çok disiplinli takımlarda etkin biçimde çalışır; bireysel çalışma sergiler. | |||||
7 | Biyomühendislik uygulamalarının sosyal, çevresel, sağlık, güvenlik, hukuk boyutları ile proje yönetimi ve iş hayatı uygulamalarını bilir ve bunların profesyonel iş yaşamına getirdiği kısıtların farkındadır. | |||||
8 | Biyomühendislik alanı ile ilgili verilerin toplanması, yorumlanması, yayımı ve uygulanması aşamalarında toplumsal, bilimsel ve etik değerlere sahip olur. | |||||
9 | Biyomühendislik alanı ile ilgili kıstaslara uygun, özgün bir tez/dönem projesi hazırlar. | |||||
10 | Bir yabancı dili kullanarak Biyomühendislik alanı ile ilgili bilgileri takip eder ve akademik ortamlarda tartışmalara katılır. | |||||
11 | Edindiği bilgi, beceri ve yetkinlikleri evrensel ve toplumsal amaçları doğrultusunda geliştirir. | |||||
12 | Biyomühendislik alanında bölgesel ve küresel konuları/sorunları tanımlar, kanıtlara ve araştırmalara dayalı çözüm önerileri geliştirir. |
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest