Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi

"Örüntü Tanıma" dersinin amacı, öğrencilere karmaşık veri örüntülerini tanıma, sınıflandırma ve analiz etme yeteneklerini kazandırmaktır. Bu ders, öğrencilere özellikle görüntü, ses, metin ve veri madenciliği gibi çeşitli örüntü tanıma uygulamalarını kapsayan temel ve ileri düzey konuları öğretir. İstatistiksel yöntemlerden makine öğrenme ve derin öğrenme tekniklerine kadar geniş bir yelpazede örüntü tanıma yaklaşımlarını ele alarak, öğrencilere örüntü tanıma projelerini geliştirmek ve gerçek dünya problemlerini çözmek için gerekli bilgi ve becerileri sağlar. Bu ders, öğrencilere veri analitiği, yapay zeka, biyomedikal görüntü işleme, otomasyon ve daha birçok alanda önemli uygulama alanları için güçlü bir temel oluşturur.

-

Bu dersin içeriği, öğrencilere veri madenciliği ve yapay zeka alanında temel bir anlayış kazandırmayı hedefler. Ders, örüntü tanıma ve sınıflandırma konularına geniş bir bakış sunar ve başlangıçta istatistiksel yöntemlerle başlayarak, makine öğrenme ve derin öğrenme tekniklerine kadar ilerler. Öğrenciler, özellik çıkarımı, boyut azaltma, öğrenme algoritmaları ve model değerlendirme gibi temel kavramları öğrenirler. Ayrıca, örüntü tanıma uygulamalarını ele alarak, biyomedikal görüntü işleme, yüz tanıma, konuşma tanıma ve metin madenciliği gibi alanlarda gerçek dünya uygulamalarına odaklanırlar. Öğrenciler, projeler ve örnek olay çalışmaları aracılığıyla teorik bilgilerini pratik uygulamalara dönüştürme fırsatı bulurlar. Bu ders, öğrencilere örüntü tanıma alanındaki güncel gelişmeleri takip etmeleri için bir temel oluşturur ve veri analitiği ve yapay zeka projelerinde aktif rol almalarına olanak tanır.

Sunum, ödev, proje

Yok.

Türkçe

Richard O. Duda, Peter E. Hart, ve David G. Stork, "Pattern Classification," 2. Baskı, Wiley, 2000. Christopher M. Bishop, "Pattern Recognition and Machine Learning," Springer, 2006.

Yok.

• Öğrenciler, karmaşık veri örüntülerini tanıma ve sınıflandırma konularında temel yetkinlikler kazanırlar, bu da veri analizi ve makine öğrenme uygulamalarında etkili bir şekilde çalışmalarına olanak tanır.
• Ders, öğrencilere makine öğrenme ve derin öğrenme konularında derin bir anlayış kazandırır, böylece veri madenciliği, sınıflandırma, regresyon ve desen tanıma gibi uygulamalarda bu teknikleri başarıyla kullanabilirler.
• Öğrenciler, özellik çıkarımı, boyut azaltma ve özellik dönüşümü gibi tekniklerle verileri daha etkili bir şekilde işleyebilme yeteneği kazanır, bu da veri madenciliği ve örüntü tanıma projelerinde kritik bir beceridir.
• Ders boyunca öğrenciler, örüntü tanıma problemlerini analiz etme ve uygun algoritmaları seçme yeteneği geliştirirler, bu da gerçek dünya problemlerine etkili çözümler üretebilmelerine olanak tanır.
• Öğrenciler, biyomedikal görüntü işleme, konuşma tanıma, otomasyon ve daha fazla alandaki örüntü tanıma uygulamaları hakkında bilgi edinirler ve bu bilgiyi kendi projelerine ve gelecekteki kariyerlerine uyarlayabilirler.