VBL5014 - Makine Öğrenmesi Yöntemleri ve Uygulamaları

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ VE ANALİTİĞİ - YL

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
Makine Öğrenmesi Yöntemleri ve Uygulamaları	VBL5014	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, öğrencilere klasik makine öğrenmesi yöntemlerinin ötesine geçen, modern ve karmaşık algoritmaların teorik altyapısını ve uygulama becerilerini kazandırmaktır. Ders; topluluk öğrenmesi, derin öğrenme mimarileri, pekiştirmeli öğrenme ve model açıklanabilirliği (XAI) gibi ileri düzey konuları gerçek dünya veri setleri ve güncel kütüphaneler üzerinden ele alır.
Ders İçeriği	Ders; ileri topluluk yöntemleri (XGBoost, LightGBM, CatBoost), Derin Öğrenme temelleri ve ileri mimariler, Transfer Öğrenme, Pekiştirmeli Öğrenme, Bayesyen Makine Öğrenmesi, Model Açıklanabilirliği (SHAP, LIME) ve model üretim süreçlerini (Deployment) kapsar.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	İleri Seviye Giriş Makine öğrenmesi paradigması tekrarı ve optimizasyon temelleri.
2	Modern Topluluk Yöntemleri XGBoost, LightGBM ve CatBoost algoritmalarının derinlemesine analizi.
3	Derin Öğrenmeye Giriş Çok katmanlı algılayıcılar (MLP) ve geri yayılımın (Backprop) matematiği.
4	Evrişimli Sinir Ağları (CNN)Görüntü işleme, filtreleme, evrişim katmanları ve popüler mimariler.
5	Ardışıl Veri Modelleme (RNN & LSTM)Zaman serileri ve metin verileri için tekrarlayan sinir ağları.
6	Dikkat Mekanizmaları ve Transformers Attention yapısı, BERT ve GPT mimarilerine giriş.
7	Transfer Öğrenme (Transfer Learning)Önceden eğitilmiş modellerin (ResNet, VGG vb.) özelleştirilmesi.
8	Ara Sınav / Proje Önerisi Dönem projesi taslaklarının sunulması ve teorik sınav.
9	Pekiştirmeli Öğrenme (Reinforcement)Ajan, ödül ve ortam ilişkisi; Q-Learning ve Deep Q-Networks.
10	Bayesyen Makine ÖğrenmesiOlasılıksal modelleme ve belirsizliğin ölçülmesi (Uncertainty).
11	Üretken Modeller (GANs & VAEs)Veri üretimi, Autoencoder'lar ve Çekişmeli Üretici Ağlar.
12	Model Açıklanabilirliği (XAI)Kara kutu modellerin yorumlanması (SHAP, LIME metrikleri).
13	Boyut Sıkıştırma ve Büyük VeriYüksek boyutlu verilerde modelleme ve dağıtık eğitim yaklaşımları.
14	Model Yayına Alma (MLOps)Model versiyonlama, API oluşturma ve Docker ile paketleme.

Program Çıktıları
1	Veri bilimi ve analitiğinin temel bileşenlerine hâkim olma; istatistiksel analiz, veri madenciliği ve makine öğrenmesine ilişkin yöntemleri uygulamalı olarak kullanabilme
2	Yapılandırılmış ve yapılandırılmamış veri tiplerini analiz etme becerisine sahip olma; büyük veri kümeleri üzerinden anlamlı çıkarımlar yaparak analitik yöntemleri etkili biçimde kullanabilme
3	Veri analizi ve modelleme süreçlerinde Python, R, SQL gibi programlama dillerinden yararlanabilme; veri işleme ve otomasyon adımlarını etkin biçimde yönetebilme
4	Veri görselleştirme ve sonuç raporlama tekniklerini kullanarak analiz bulgularını açık, etkili ve karar verme süreçlerine katkı sunacak biçimde ifade edebilme
5	Karmaşık veri odaklı problemleri analiz edebilme, uygun çözüm yolları geliştirebilme ve bilimsel araştırma yöntemleri aracılığıyla yaratıcı, veri temelli kararlar alabilme
6	Veri bilimi ve analitiği kapsamında karşılaşılan problemleri analiz edebilme, uygun veri analizi tekniklerini seçerek çözüm yolları geliştirebilme; istatistiksel, algoritmik ve yapay zekâ temelli yöntemleri eleştirel düşünme yeteneğiyle değerlendirebilme
7	Veri bilimi ve analitiği uygulamalarında Python, R, SQL gibi programlama dillerini etkin biçimde kullanabilme; veri madenciliği, makine öğrenmesi, büyük veri işleme, veri görselleştirme ve modelleme araçlarıyla pratik çözümler geliştirebilme, gerçek veri setleri üzerinde uygulamalar gerçekleştirebilme
8	Veri bilimi ve analitiği ile ilgili bireysel veya ekip çalışmalarında sorumluluk üstlenebilme, karmaşık veri projelerini bağımsız olarak planlayıp yürütebilme; karşılaştığı sorunlara analitik ve yaratıcı çözümler geliştirerek karar alma süreçlerinde etkin rol oynayabilme
9	Veri bilimi ve analitiği alanındaki güncel gelişmeleri, teknolojileri ve yöntemleri izleyerek yaşam boyu öğrenme bilinciyle kendini sürekli geliştirme yetkinliğine sahip olma; yeni bilgi ve becerileri hızla edinip uygulamaya aktarabilme
10	Veri bilimi ve analitiği alanındaki çalışmalarını yazılı, sözlü ve görsel yollarla açık ve etkili bir biçimde ifade edebilme; çok disiplinli takımlarda etkin biçimde çalışabilme, iletişim kurabilme ve iş birliğine dayalı çözümler geliştirebilme
11	Veri bilimi ve analitiği alanına özgü kavramlara, yöntemlere, algoritmalara ve araçlara hâkim olma; etik ilkelere uygun biçimde veri toplama, işleme, analiz etme ve yorumlama süreçlerini yürütebilme, veri gizliliği ve güvenliği konularında sorumluluk bilinciyle hareket edebilme

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	PÇ 1	PÇ 2	PÇ 3	PÇ 4	PÇ 5	PÇ 6	PÇ 7	PÇ 8	PÇ 9	PÇ 10	PÇ 11
Karmaşık veri yapıları için en uygun ileri düzey makine öğrenmesi mimarisini tasarlar.	-	-	-	-	-	-	-	-	-	-	-
Hiper-parametre optimizasyonu ve model seçim stratejilerini kullanarak model performansını en üst düzeye çıkarır.	-	-	-	-	-	-	-	-	-	-	-
Derin öğrenme ağlarını (CNN, RNN, Transformers) farklı uygulama alanlarına (görüntü, metin vb.) uyarlar.	-	-	-	-	-	-	-	-	-	-	-
Yapay Zeka Etiği ve Açıklanabilirlik kavramlarını kullanarak model kararlarını şeffaf hale getirir.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451240