Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi

Bu derste; parametrik ve parametrik olmayan kestirim, boyut indirgeme, öbekleme, karar ağaçları, Markov modelleri gibi yapay öğrenmenin belli başlı alanlarında kullanılan yöntem ve algoritmalar incelenecektir. Bu ders öğrenciye, yapay öğrenme alanındaki yöntemler hakkında temel fikirleri ve sezgi kazandıracak ve ilgili algoritmaların neden ve nasıl çalıştığıyla ilgili biçimsel bir kavrayış sağlayacaktır. Sayıtımsal çıkarsama (statistical inference) bu derste incelenecek olan yöntemlerin çoğunun temelini oluşturan kavramdır.

-

Dersin içeriği; denetlemeli öğrenme, Bayes karar kuramı, parametrik yöntemler, çok boyutlu yöntemler, boyut indirgeme, öbekleme, parametrik olmayan yöntemler, karar ağaçları, saklı Markov modelleri ve pekiştirmeli öğrenmeye bir giriş olarak özetlenebilir.

Ders notları, slaytlar, dinleyici notları, programlama örnekleri

Yok

İngilizce

• Learning from Data, by Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin, 2012. (Book web page: http://work.caltech.edu/textbook.html ) • Introduction to Machine Learning, Ethem Alpaydın, 3rd edition, MIT Press, 2015. • Pattern Classification, 2nd Edition, R. O. Duda, P. E. Heart, D. G. Stork, Wiley, 2000.

-

• Makine öğrenmesindeki temel teorik kavramları açıklayabilmek (genelleştirme teorisi, VC boyutu vb.)
• Temel gözetimli sınıflama yöntemlerini uygulayabilmek (k-NN, karar ağaçları, naif Bayes, SVM, sinir ağları gibi).
• Temel regresyon yöntemlerini açıklamak.
• Temel boyut indirgeme yöntemlerini açıklamak.
• Temel kümeleme yöntemlerini açıklamak.
• Farklı makine öğrenmesi yöntemlerini gerçek veri üzerinde uygulamak için deney tasarlamak.
• Makine öğrenmesi yöntemlerini gerçek veriye uygulamak: veri önişleme, model seçimi, öğrenme, düzenlileştirme.