Ders Adı | MAKİNE ÖĞRENMESİ ALGORİTMALARI VE UYGULAMALARI | Kod | ENFO9062 |
Kredi | 3 | AKTS | 8 |
Z/S | Seçmeli | Teorik Saat | 3 |
Uygulama Saat | 0 | Lab Saat | 0 |
Ders Dili | Türkçe | Dersi Veren | Prof. Dr. SEVİNÇ GÜLSEÇEN |
Dersin Veriliş Türü | |||
Hayatın her alanında doğru karar verme, ileriye dönük öngörülerde bulunabilme ve olaylara proaktif yaklaşabilmenin stratejik açıdan avantaj sağladığı bilinmektedir. Ancak söz konusu eylemleri gerçekleştirebilecek nitelikte uzmanları bulabilmekte güçlükler yaşanmaktadır. Özellikle günümüzde fazla miktarda veri ile çalışan kurumlar için bu özellikteki uzmanlara gereksinim giderek artmaktadır. Bu ders, proaktif düşünebilme ve karar verebilmede öğrencileri farklı makine öğrenmesi algoritmaları ile tanıştıracak ve algoritmaların nasıl kullanıldığını uygulamalı olarak öğretecektir. Böylece önerilen bu ders çok disiplinli bir çalışma yapısına sahip olan Enformatik Diploma Programının amaç ve öğrenim hedeflerine katkı sağlayabilecek ve Doktora Öğrencilerinin söz edilen nitelikleri kazanarak akademik hayata ve sektöre hazırlayacaktır.
Öngörme enformatik disiplininin can damarı olan bilimsel bir çalışmadır.Öğrenen Bilgisayarlar (veya Makine öğrenmesi), veri madenciliği şemsiyesi altında öğrenme danışmanlı (supervised) ve danışmansız (unsupervised) öğrenme algoritmalarını içerir. Özellikle sınıflandırmaya ilişkin işletme ve endüstri uygulamalarının ele alındığı danışmanlı öğrenme algoritmalarını kapsar. Uygulama aracı olarak R Programlama kullanımları yer alır.
Konuyla ilgili teorik tartışmalar ve Vak’a analizi.
Balaban, M. E. ve Kartal, E. (2018). Veri Madenciliği ve Makine Öğrenmesi, Temel Algoritmaları ve R Dili ile Uygulamaları (2. bs.). İstanbul: Çağlayan Kitabevi. Han, J. ve Kamber, M. (2006). Data Mining: Concepts and Techniques (2. bs.). San Francisco, CA, USA: Morgan Kaufmann Publishers. Mitchell, T. M. (1997). Machine Learning (1. bs). New York: McGraw-Hill. Harrington, P. (2012). Machine Learning in Action (1. bs.). Shelter Island, NY: Manning Publications Co.