Yazılım Mühendisliği / seçmeli havuz
YZM371 · Makine Öğrenmesi
T+U+Li 3+0+0 · Kredi 3 · AKTSi 6 (müfredatta 6) · Seçmeli · kategori: regular · sitede son güncelleme 08.06.2026
Kaynak: https://obs.samsun.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=376580&lang=tr · toplandı 12.11.2026 22:12
Bölüm durumu
Tüm dersler →Kural denetimii
geçti: 38kaldı: 4muaf: 0değerlendirilemedi: 0
İçerik uyumu (YZ)i
Henüz çalıştırılmadı.
Öğrenme çıktıları (YZ)i
Henüz çalıştırılmadı.
Kaynak ve ÖP uyumu (YZ)i
Henüz çalıştırılmadı.
Kural denetimi: geçmeyen kontroller (4)
| Kural | Alan | Önem | Gerekçe | Mevcut | Beklenen | Öneri |
|---|---|---|---|---|---|---|
| R1 Zorunlu alanlar filled · tr | teaching_methods | düşük | 'Yöntem ve teknikler' alanı boş ya da yetersiz. | boş | dolu | 'Yöntem ve teknikler' alanını doldurun. |
| R1 Zorunlu alanlar filled · en | teaching_methods | düşük | 'Yöntem ve teknikler' alanı boş ya da yetersiz. | boş | dolu | 'Yöntem ve teknikler' alanını doldurun. |
| R5 TR/EN uyumu untranslated · en | content | orta | İngilizce sürümdeki metinlerin çoğu Türkçe metnin aynısı; çeviri girilmemiş görünüyor. | 18/20 metin TR ile birebir aynı (%90) | %50 altında | İngilizce bilgi paketine metinlerin İngilizce karşılıklarını girin. |
| R7 Kaynaklar newest_year · tr | references | orta | Yılı belirtilen kaynakların en yenisi bile eski. | en yeni kaynak 2004 (22 yıl önce) | en çok 10 yıl önce | Kaynak listesine güncel baskı ya da güncel kaynak ekleyin. |
Kaynak güncelliği (Modül D)i
Yalnızca sayfadaki yayın yıllarından hesaplanır. İçeriğin alanın güncel kapsamıyla karşılaştırılması güvenilir referans doküman gerektirdiği için değerlendirilemedi; model bilgisine dayalı güncellik iddiası üretilmez.
7 kaynak · 3 tanesinde yıl var · en yeni 2004 (22 yıl önce) · 10 yıldan eski 3
| 1997 | Machine Learning. T. Mitchell. McGraw-Hill Education. 1997. | kaynaklar |
| — | Öğretim Elemanı ders not ve uygulamaları: https://github.com/akaraci/Machine-Learning-Examples | kaynaklar |
| — | Scikit-Learn [https://scikit-learn.org/stable/documentation.html], or Python Data Science Handbook | kaynaklar |
| 2004 | Prof. Dr. Ethem Alpaydın, Introduction to Machine Learning, The MIT Press, October 2004, ISBN-13: 978-0-262-01211-9 | kaynaklar |
| — | Scikit-Learn [https://scikit-learn.org/stable/documentation.html], or Python Data Science Handbook | ders notları |
| 2004 | Prof. Dr. Ethem Alpaydın, Introduction to Machine Learning, The MIT Press, October 2004, ISBN-13: 978-0-262-01211-9 | ders notları |
| — | Öğretim Elemanı ders not ve uygulamaları: https://github.com/akaraci/Machine-Learning-Examples | ders notları |
- Ad
- Makine Öğrenmesi
- Amaç
- Bu dersin amacı, öğrencilere makine öğrenimi temel kavramlarını ve farklı öğrenme metotlarını öğrenebilmesidir. Bu dersin sonucunda, öğrenci kendisine verilen gerçek hayattaki bir problemi en uygun hangi makine öğrenme metodunu uygulayacağını ve bu metodun hata ve karmaşıklık açısından nasıl analiz edeceğini öğrenecektir. Pratik projeler ve uygulamalar aracılığıyla makine öğrenimi uygulamaları oluşturabilecektir. Veri setlerini analiz ederek bilgi çıkarımı yapabilecektir. Güncel derin öğrenme yöntemleri ile gerçek zamanlı çalışan modeller oluşturabileceklerdir.
- İçerik
- Makine Öğrenmesinin Temelleri.Sınıflandırma ve Regresyon Problemi.Denetimli Öğrenme ve Denetimsiz Öğrenme. Veri Hazırlama.Eksik verileri tamamlama yöntemleri. Öznitelik Çıkarımı (Feature Extraction).Öznitelik Seçme (Feature Selection).Öznitelik İndirgeme (Feature Reduction). PCA-Temel Bileşen Analizi.Linear Discriminant Analysis (LDA). Model Eğitimi ve Test.Bootstrap, Dışarıda Tutma Çapraz doğrulama yöntemleri. Model Başarım Ölçütleri (Metrikleri). Tahmin(prediction), Linear regression.Kümeleme (K-Means). Topluluk Öğrenme(Ensemble Learning). YOLO algoritması ile segmentasyon. Derin Öğrenme İle Gerçek Zamanlı Uygulamalar.
- Yöntem ve teknikler
- —
- Ön koşul
- Yok
- Öğretim dili
- Türkçe
Öğrenme çıktıları
- Makine öğrenmesi ile ilgili temel kavramsal çerçeveyi kavrar.
- Verilen bir veri seti üzerinde her türlü ön işleme işlemini gerçekleştirir.
- Verilen bir gerçek dünya problemine uygulanabilecek makine öğrenmesi metotlarının analizini yapar ve bilgisayarda kodlayarak uygular.
- Makine öğrenmesi modellerinin performansını ölçmek için kullanılan metrikleri bilir ve yorumlar.
Değerlendirme
| Ara Sınav | 1 | %30 |
| Ödev | 2 | %20 |
| Yarıyıl Sonu Sınavı | 1 | %50 |
AKTS iş yükü (180 saat → tabloda 6 AKTS)
| Ders Süresi | 14 × 3 | 42 saat |
| Sınıf Dışı Ç. Süresi | 14 × 2 | 28 saat |
| Ödevler | 7 × 10 | 70 saat |
| Ara Sınavlar | 1 × 20 | 20 saat |
| Yarıyıl Sonu Sınavı | 1 × 20 | 20 saat |
Haftalık konular
| 1 | Makine Öğrenmesinin Temelleri, Sınıflandırma ve Regresyon Problemi, Denetimli Öğrenme ve Denetimsiz Öğrenme. |
| 2 | Veri bilimi için Python programlamaya hızlı bakış. |
| 3 | Veri Hazırlama, Eksik verileri tamamlama yöntemleri(silme, ortalama, ortanca, mod, knn yöntemleri), Veri Kalitesi ve Ölçüm Metrikleri, Normalizasyon Yöntemleri |
| 4 | Öznitelik Çıkarımı (Feature Extraction), Öznitelik Seçme (Feature Selection), Öznitelik İndirgeme (Feature Reduction), PCA-Temel Bileşen Analizi, Linear Discriminant Analysis (LDA). |
| 5 | Modelin İnşası ve Değerlendirilmesi, Model Eğitimi ve Test, Bootstrap, Dışarıda Tutma, Çapraz doğrulama |
| 6 | Model Başarım Ölçütleri (Metrikleri), Karışıklık Matrisi, TP, TN, FP, FN Doğruluk, Duyarlılık, Özgüllük, Örnek Python kodları ve İncelenmesi, k-NN makine öğrenmesi algoritması üzerinde uygulama |
| 7 | Tahmin(prediction), Linear regression, Kümeleme (K-Means), Öznitelik Seçme(Feature Selection (Ayrıntılı Bakış), Temel Temizlik, Sarmalayıcı Yöntemler, Filtreleme Yöntemleri, Embedded Metotlar. |
| 8 | Image Segmentation (Hızlı Bakış), Performans Metrikleri, Örnek Python Kodlarının İncelenmesi. |
| 9 | Topluluk Öğrenme(Ensemble Learning), Voting, Stacking |
| 10 | Topluluk Öğrenme(Ensemble Learning), Bagging, Boosting, Python Kodlarının İncelenmesi. |
| 11 | YOLO algoritması ile segmentasyon, Veri Seti Hazırlama ve Etiketleme, Etiketleme programlarını tanıma ve kullanma (LabelImg, Roboflow vb.) |
| 12 | YOLO kurulumu, Eğitim ve Test Tespit edilen bölgenin opencv ile kırpılması |
| 13 | Derin Öğrenme İle Gerçek Zamanlı, Uygulamalar, Dlib Kütüphanesini kullanarak yüz bölgelerin tespit edilmesi ve Croplanması, Gözlerin açık-kapalı olduğunun gerçek zamanlı (real-time) tespit edilmesi, Dlib kütüphanesi ile yapılabilecek proje önerileri üzerine beyin fırtınası. |
| 14 | Media Pipe kütüphanesi ile gerçek zamanlı uygulama geliştirme, Selfie Segmentation, Hand Landmark Detection, Face Detection, Face Landmark Detection, Gesture Recognition, Interactive Segmentation Pose Landmark Detection, Proje Önerileri ile ilgili beyin fırtınası |