Dersin amacı Makine Öğrenmesinin prensipleri, teknikleri ve uygulamaları hakkında bilgi sağlamaktır.

Ders, makine öğrenmesinin farklı istatistiksel ve algoritmik temellerini, verileri ve bilgisayarları eğitmek için gereken modelleri geliştirmek üzere bir dizi algoritmanın açıklamalarını ve teorik bilgilerin uygulamada kullanımını kapsar. Makine Öğrenmesinin Temel Kavramları, Denetimli Öğrenme (Doğrusal Modeller, Ağaç ve Topluluk Tabanlı Modeller, Kernel Yöntemleri, Sinir Ağları, Derin Öğrenme), Denetimsiz Öğrenme (Temel Bileşen Analizi (PCA), Kümeleme Stratejileri ve Algoritmaları), Pekiştirmeli Öğrenme, Makine Öğrenmesinde İleri Konular gibi konu başlıkları dersin içeriğini oluşturur.

Yüz yüze, soru-cevap, tartışma, problem çözme, beyin fırtınası, proje geliştirme.

An Introduction to Statistical Learning with Python by Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani, 2013. Pattern recognition and machine learning, Bishop, C. M., & Nasrabadi, N. M. (Vol. 4, No. 4, p. 738). New York: springer., 2006. Reinforcement learning: An introduction. Sutton, R. S., A Bradford Book, 2018. Foundations of Machine Learning, by Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, by Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Deep Learning, by Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Diğer kaynaklar: - Ders notları ve uygulama örnekleri. - Çevrimiçi dersler ve ders materyalleri.