Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi

Programlar Hakkında Bilgi

Lisans - Mühendislik Fakültesi - Elektrik-Elektronik Mühendisliği (İngilizce)

Müfredat Adı Ders Kodu Ders Adı Ders Türü Dönem AKTS Teorik Uygulama
2020 Elektrik ve Elektronik Mühendisliği (İngilizce) EE4077 Fundamentals of Machine Learning Zorunlu 7 5,00 3 0

Dersin İçeriği

Dersin Amacı

Veri yönetimi, sentez ve yorumlama metodlarını kavrama ve metodların gerçek veriye güncel Makine Öğrenme ve Derin Öğrenme yazılım araçları ile uyarlanması.

Öğrenim Türü

-

Dersin İçeriği

Temel Makine öğrenme sistemleri. Makine öğrenme projesinde ana aşamalar. Veriye model uydurma ile öğrenme. Maliyet fonksiyonunun optimizasyonu. Veri işleme, temizleme ve hazırlama. Nitelik seçimi ve mühendisliği. Model seçimi ve çapraz gerçekleme ile parametre ayarı. Önemli zorluklar, eksik modelleme ve aşırı modelleme (sapma varyans dengesi) . Veri mertebe düşürme, Lineer ve Polinom Regresyon. Lojistik regresyon, k-en yakın bölge, Ağırlık Vektör Uzayı, karar ağacı, rasgele ağaç ve karma öğrenme.

Planlanan Öğrenme Aktiviteleri ve Metodları

Teorik sunumlar, uygulamalar, proje çalışmaları, sunumlar ve yazılı sınavlar.

Staj Durumu

staj çalışması yoktur

Dersin Sunulduğu Dil

İngilizce

Ders Kitabı / Malzemesi / Önerilen Kaynaklar

Aurelien Geron, Hands-On Machine Learning with Scikit-Learn and TensorFlow, O'Reilly, 2017 Tom Hope, Yehezkel S. Resheff, Itay Lieder, Learning TensorFlow, O'Reilly, 2017 Rodolfo Bonnin, Building Machine Learning Projects With TensorFlow, Packt Publishing, 2016 Sam Abrahams, Danijer Hafner, Erik Erwitt, Ariel Scarpinelli, TensorFlow for Machine Intelligence, Bleeding Edge Press, 2016 Eugene Charniak, Introduction to Deep Learning

Dersin Web Sayfası

-

Öğrenme Çıktıları

  • Öğrenci makine öğrenme temel prensiplerini kavrar
  • veri işleme, temizleme ve hazırlamayı gerçekleştirebilir
  • Veri üzerinden nitelik seçebilir.
  • Uygun yapay öğrenme modelini seçebilir, parametre ayarlayabilir ve çapraz sağlama gerçekleştirebilir.
  • Yakın çevre, Ağırlık Vektör Uzayı, karar ağacı, rasgele ağaç ve karma öğrenme yöntemlerini kavrar.

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik
1 Introduction to machine learning, probability and linear algebra review
2 Linear regression (problem setup)
3 Linear regression (overfitting, bias/variance tradeoff)
4 Naïve Bayes, logistic regression
5 Multi-class classification, perceptron
6 Support vector machines (part 1)
7 Support vector machines (part 2)
8 Midterm
9 Nearest neighbors classification
10 Decision tress, boosting, random forest.
11 Deep learning (part 1)
12 Deep learning (part 2)
13 Clustering
14 Expectation maximization, dimensionality reduction
15 Online learning
16 Introduction to reinforcement learning

Değerlendirme

Değerlendirme Değer
Yarıyıl (Yıl) İçi Etkinlikleri 60
Yarıyıl (Yıl) Sonu Etkinlikleri 40
Yarıyıl (Yıl) Sonu Etkinlikleri Değer
Final Sınavı 100

Öğrenci İş Yükü Hesabı

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Öncesi/Sonrası Bireysel Çalışma 10 4 40
Proje ve Hazırlığı 1 16 16
Sunum ve Hazırlığı 1 5 5
Araştırma ve Hazırlığı 1 8 8
Rapor ve Hazırlığı 1 8 8
Arasınav ve Hazırlığı 2 16 32
Final ve Hazırlığı 1 16 16

Program ve Öğrenme Çıktıları İlişkisi

ÖÇ1
ÖÇ2
ÖÇ3
ÖÇ4
ÖÇ5