| 1 |
Yapay öğrenme temel kavramlar, Yapay öğrenme uygulamalarına örnekler |
| 2 |
Yapay öğrenme için gerekli olan optimizasyon, olasılık ve doğrusal cebir temel konularının gözden geçirilmesi |
| 3 |
Denetimli öğrenme temel kavramlar (Örneklerden öğrenme, olası yaklaşık doğru öğrenme, gürültü, model seçimi ve genelleme, çok sınıflı öğrenme) |
| 4 |
Model seçme ve geçerleme (çapraz geçerleme, parametre ayarlama, hata matrisi, metrikler, geçerleme eğrileri) |
| 5 |
Python-Pandas paketinin genel özelliklerinin incelenmesi |
| 6 |
Python-scikit-learn paketinin genel özellikleri ve önişleme işlemleri |
| 7 |
Ara Sınav |
| 8 |
Bayesci karar kuramı, birliktelik analizi, naive bayes algoritması ve scikit-learn uygulaması |
| 9 |
Karar ağaçları temel kavramlar ve karar ağacı yöntemlerinin (ID3, C5.0, CART) scikit- learn uygulamaları |
| 10 |
Çok katmanlı yapay sinir ağları, geri yayılım algoritması ve scikit-learn uygulamaları |
| 11 |
Doğrusal ve Doğrusal olmayan destek vektör makineleri, çekirdek (kernel) kavramı ve scikit-learn SVM uygulamaları |
| 12 |
Denetimsiz Öğrenme Yöntemleri ve scikit-learn uygulamaları |
| 13 |
Modellerin Birleştirilmesi (Random forest, bagging, boosting, gradient Tree Boosting) ve scikit-learn uygulamaları |
| 14 |
Boyut belası kavramı, boyut azaltma yöntemleri ve uygulamaları |
