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
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)

KuralAlanÖnemGerekçeMevcutBeklenenÖneri
R1 Zorunlu alanlar
filled · tr
teaching_methods düşük'Yöntem ve teknikler' alanı boş ya da yetersiz.boşdolu'Yöntem ve teknikler' alanını doldurun.
R1 Zorunlu alanlar
filled · en
teaching_methods düşük'Yöntem ve teknikler' alanı boş ya da yetersiz.boşdolu'Yöntem ve teknikler' alanını doldurun.
R5 TR/EN uyumu
untranslated · en
content ortaİngilizce sürümdeki metinlerin çoğu Türkçe metnin aynısı; çeviri girilmemiş görünüyor.18/20 metin TR ile birebir aynı (%90)%50 altındaİngilizce bilgi paketine metinlerin İngilizce karşılıklarını girin.
R7 Kaynaklar
newest_year · tr
references ortaYılı belirtilen kaynakların en yenisi bile eski.en yeni kaynak 2004 (22 yıl önce)en çok 10 yıl önceKaynak 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
1997Machine Learning. T. Mitchell. McGraw-Hill Education. 1997.kaynaklar
—Öğretim Elemanı ders not ve uygulamaları: https://github.com/akaraci/Machine-Learning-Exampleskaynaklar
—Scikit-Learn [https://scikit-learn.org/stable/documentation.html], or Python Data Science Handbookkaynaklar
2004Prof. Dr. Ethem Alpaydın, Introduction to Machine Learning, The MIT Press, October 2004, ISBN-13: 978-0-262-01211-9kaynaklar
—Scikit-Learn [https://scikit-learn.org/stable/documentation.html], or Python Data Science Handbookders notları
2004Prof. Dr. Ethem Alpaydın, Introduction to Machine Learning, The MIT Press, October 2004, ISBN-13: 978-0-262-01211-9ders notları
—Öğretim Elemanı ders not ve uygulamaları: https://github.com/akaraci/Machine-Learning-Examplesders notları

Orijinal bilgi paketi

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

  1. Makine öğrenmesi ile ilgili temel kavramsal çerçeveyi kavrar.
  2. Verilen bir veri seti üzerinde her türlü ön işleme işlemini gerçekleştirir.
  3. Verilen bir gerçek dünya problemine uygulanabilecek makine öğrenmesi metotlarının analizini yapar ve bilgisayarda kodlayarak uygular.
  4. Makine öğrenmesi modellerinin performansını ölçmek için kullanılan metrikleri bilir ve yorumlar.

Değerlendirme

Ara Sınav1%30
Ödev2%20
Yarıyıl Sonu Sınavı1%50

AKTS iş yükü (180 saat → tabloda 6 AKTS)

Ders Süresi14 × 342 saat
Sınıf Dışı Ç. Süresi14 × 228 saat
Ödevler7 × 1070 saat
Ara Sınavlar1 × 2020 saat
Yarıyıl Sonu Sınavı1 × 2020 saat

Haftalık konular

1Makine Öğrenmesinin Temelleri, Sınıflandırma ve Regresyon Problemi, Denetimli Öğrenme ve Denetimsiz Öğrenme.
2Veri bilimi için Python programlamaya hızlı bakış.
3Veri Hazırlama, Eksik verileri tamamlama yöntemleri(silme, ortalama, ortanca, mod, knn yöntemleri), Veri Kalitesi ve Ölçüm Metrikleri, Normalizasyon Yöntemleri
4Öznitelik Çıkarımı (Feature Extraction), Öznitelik Seçme (Feature Selection), Öznitelik İndirgeme (Feature Reduction), PCA-Temel Bileşen Analizi, Linear Discriminant Analysis (LDA).
5Modelin İnşası ve Değerlendirilmesi, Model Eğitimi ve Test, Bootstrap, Dışarıda Tutma, Çapraz doğrulama
6Model Başarım Ölçütleri (Metrikleri), Karışıklık Matrisi, TP, TN, FP, FN Doğruluk, Duyarlılık, Özgüllük, Örnek Python kodları ve İncelenmesi, k-NN makine öğrenmesi algoritması üzerinde uygulama
7Tahmin(prediction), Linear regression, Kümeleme (K-Means), Öznitelik Seçme(Feature Selection (Ayrıntılı Bakış), Temel Temizlik, Sarmalayıcı Yöntemler, Filtreleme Yöntemleri, Embedded Metotlar.
8Image Segmentation (Hızlı Bakış), Performans Metrikleri, Örnek Python Kodlarının İncelenmesi.
9Topluluk Öğrenme(Ensemble Learning), Voting, Stacking
10Topluluk Öğrenme(Ensemble Learning), Bagging, Boosting, Python Kodlarının İncelenmesi.
11YOLO algoritması ile segmentasyon, Veri Seti Hazırlama ve Etiketleme, Etiketleme programlarını tanıma ve kullanma (LabelImg, Roboflow vb.)
12YOLO kurulumu, Eğitim ve Test Tespit edilen bölgenin opencv ile kırpılması
13Derin 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.
14Media 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