| Müfredat Adı | Ders Kodu | Ders Adı | Ders Türü | Dönem | AKTS | Teorik | Uygulama |
| İktisat (İngilizce) - 2013 | ECON4098 | Applied Machine Learning | Seçmeli | 6 | 5,00 | 3 | 0 |
Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi
Programlar Hakkında Bilgi
Lisans - İktisat Fakültesi - İktisat (İngilizce)
Dersin İçeriği
Dersin Amacı
Dersin amacı Makine Öğrenmesi konularına ait teorik konuların farklı alanlarda uygulama örnekleri ile birlikte öğretilmesidir.
Öğrenim Türü
-
Dersin İçeriği
Bu ders, yoğun uygulama odaklı, gerçek dünya senaryosuna dayalı makine öğrenmesine bir giriş sağlar. Ele alınacak konular: (i) Denetimli öğrenme (Regresyon: GLM, Ridge, Lasso, ElasticNet; Sınıflandırma: KNN, Bayes, Lojistik Regresyon, Karar Ağaçları, Rastgele Orman, SVM, Çekirdek ve Sinir Ağları), (ii) Denetimsiz öğrenme (Kümeleme: K-Means, Hiearchical clustring; Birliktelik Kuralları: Apriori; Boyut Azaltma: PCA ve Derin Öğrenme), (iii) Model değerlendirmesi (yanlılık/ varyans teorisi; değerlendirme ölçütleri).
Planlanan Öğrenme Aktiviteleri ve Metodları
Sözlü Anlatım, Soru-Cevap, Tartışma, Proje, Sunum.
Staj Durumu
Yok
Dersin Sunulduğu Dil
İngilizce
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition. Raschka, Sebastian, Mirjalili
Dersin Web Sayfası
Yok
Öğrenme Çıktıları
- Öğrenci makine öğrenmesi tekniklerini gerçek dünya problemlerine uygulayabilir.
- Öğrenci makine öğrenmesi ile ilgili bir konuda proje hazırlar, raporunu yazar ve sınıfta sunumunu yapar.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik |
|---|---|
| 1 | Makine Öğreniminin Temelleri |
| 2 | Basit Doğrusal Regresyon |
| 3 | k-En Yakın Komşularla Sınıflandırma ve Regresyon |
| 4 | Özellik çıkarma |
| 5 | Çoklu Doğrusal regresyon |
| 6 | Logistic Regression |
| 7 | Naive Bayes |
| 8 | Doğrusal Olmayan Sınıflandırma ve Kararlı Regresyon ağaçlar |
| 9 | Rastgele Ormanlar ve Diğer Kümülatif Öğrenme Yöntemleri |
| 10 | Perceptron |
| 11 | Destek Vektör Makineleri |
| 12 | Yapay Sinir Ağları |
| 13 | K-ortalamalar |
| 14 | Temel Bileşenle Boyut Azaltma analiz |
| 15 | |
| 16 | |
| 17 |
Değerlendirme
| Değerlendirme | Değer |
|---|---|
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 |
| 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 | 13 | 2 | 26 |
| Proje ve Hazırlığı | 0 | 0 | 0 |
| Ödev ve Hazırlığı | 0 | 0 | 0 |
| Laboratuvar ve Hazırlığı | 0 | 0 | 0 |
| Atölye ve Hazırlığı | 0 | 0 | 0 |
| Sunum ve Hazırlığı | 0 | 0 | 0 |
| Seminer ve Hazırlığı | 0 | 0 | 0 |
| Demo ve Hazırlığı | 0 | 0 | 0 |
| Araştırma ve Hazırlığı | 0 | 0 | 0 |
| Rapor ve Hazırlığı | 0 | 0 | 0 |
| Arasınav ve Hazırlığı | 1 | 25 | 25 |
| Kısa Sınav ve Hazırlığı | 0 | 0 | 0 |
| Final ve Hazırlığı | 1 | 35 | 35 |
| Teorik Ders Saati | 14 | 3 | 42 |
| Uygulama Ders Saati | 0 | 0 | 0 |
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ1 | ||||||||||||||
| ÖÇ2 | ||||||||||||||
| ÖÇ3 | ||||||||||||||
| ÖÇ4 | ||||||||||||||
| ÖÇ5 |