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=en · 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
- Machine Learning
- Amaç
- The aim of this course is to enable students to learn the basic concepts of machine learning and different learning methods. As a result of this course, the student will learn which machine learning method is most appropriate to apply to a real-life problem and how to analyze this method in terms of error and complexity. Will be able to create machine learning applications through practical projects and applications. Will be able to extract information by analyzing data sets. They will be able to create real-time working models with current deep learning methods.
- İçerik
- Fundamentals of Machine Learning. Classification and Regression Problem. Supervised Learning and Unsupervised Learning. Data Preparation. Methods of completing missing data. Feature Extraction. Feature Selection. Feature Reduction. PCA-Principal Component Analysis. Linear Discriminant Analysis (LDA). Model Training and Testing.Bootstrap, Exclusion Cross-validation methods. Model Performance Measures (Metrics). Prediction, Linear regression. Clustering (K-Means). Ensemble Learning. Segmentation with YOLO algorithm. Real-Time Applications with Deep Learning.
- Yöntem ve teknikler
- —
- Ön koşul
- None
- Öğretim dili
- Turkish
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
| Mid-terms | 1 | %30 |
| Assignment | 2 | %20 |
| Final examination | 1 | %50 |
AKTS iş yükü (180 saat → tabloda 6 AKTS)
| Course Duration | 14 × 3 | 42 saat |
| Hours for off-the-c.r.stud | 14 × 2 | 28 saat |
| Assignments | 7 × 10 | 70 saat |
| Mid-terms | 1 × 20 | 20 saat |
| Final examination | 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 |