| Ders Adı | Kodu | Yarıyıl | T+U Saat | AKTS | |
| Makine Öğrenmesi Yöntemleri ve Uygulamaları | VBL5014 | 1 | 3 + 0 | 7,5 |
| Birim Bölüm | VERİ BİLİMİ VE ANALİTİĞİ - YL |
| Derece Seviye | Lisansüstü - Seçmeli - Türkçe |
| Dersin Verilişi | Yüz yüze |
| EBS Koordinatörü | Prof. Dr. Serpil TÜRKYILMAZ (Yıl: 2025 - 2026) |
| Ders Veren | |
| 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. |
| Ders Kaynakları |
Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning.
Murphy, K. P. Machine Learning: A Probabilistic Perspective. Chollet, F. Deep Learning with Python. |
| Yarıyıl İçi Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | 0 |
| Yarıyıl Sonu Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | %0 |
| Yarıyıl İçinin Başarıya Oranı | %0 |
| Yarıyıl Sonu Çalışmalar | %0 |
| Toplam | %0 |
| Kategori | Ders İlişki Yüzdeleri (%) |
|
Aktarılabilir Beceri Dersleri
|
0
|
|
Beşeri, İletişim ve Yönetim Becerileri Dersleri
|
0
|
|
Destek Dersleri
|
0
|
|
Ek Dersler
|
0
|
|
Kategori
|
0
|
|
Mesleki Seçmeli Dersler
|
0
|
|
Temel Meslek Dersleri
|
0
|
|
Uygulama Dersleri
|
0
|
|
Uzmanlık / Alan Dersleri
|
0
|
|
Yetkinlik Tamamlayıcı Ders
|
0
|
| Ders İş Yükü | Öğretim Metotlar / Öğretim Metodu | Süresi (Saat) | Sayısı | Toplam İş Yükü (Saat) |
| Toplam İş Yükü (Saat) | 0 | |||
| AKTS = Toplam İş Yükü (Saat) / 25.5 (s) | 0 | |||
| AKTS | 3,0 | |||
| Hafta | Konu | Öğretim Metodu |
|---|---|---|
| 1 | İleri Seviye Giriş Makine öğrenmesi paradigması tekrarı ve optimizasyon temelleri. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 2 | Modern Topluluk Yöntemleri XGBoost, LightGBM ve CatBoost algoritmalarının derinlemesine analizi. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 3 | Derin Öğrenmeye Giriş Çok katmanlı algılayıcılar (MLP) ve geri yayılımın (Backprop) matematiği. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 4 | Evrişimli Sinir Ağları (CNN)Görüntü işleme, filtreleme, evrişim katmanları ve popüler mimariler. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 5 | Ardışıl Veri Modelleme (RNN & LSTM)Zaman serileri ve metin verileri için tekrarlayan sinir ağları. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 6 | Dikkat Mekanizmaları ve Transformers Attention yapısı, BERT ve GPT mimarilerine giriş. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 7 | Transfer Öğrenme (Transfer Learning)Önceden eğitilmiş modellerin (ResNet, VGG vb.) özelleştirilmesi. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 8 | Ara Sınav / Proje Önerisi Dönem projesi taslaklarının sunulması ve teorik sınav. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 9 | Pekiştirmeli Öğrenme (Reinforcement)Ajan, ödül ve ortam ilişkisi; Q-Learning ve Deep Q-Networks. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 10 | Bayesyen Makine ÖğrenmesiOlasılıksal modelleme ve belirsizliğin ölçülmesi (Uncertainty). | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 11 | Üretken Modeller (GANs & VAEs)Veri üretimi, Autoencoder'lar ve Çekişmeli Üretici Ağlar. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 12 | Model Açıklanabilirliği (XAI)Kara kutu modellerin yorumlanması (SHAP, LIME metrikleri). | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 13 | Boyut Sıkıştırma ve Büyük VeriYüksek boyutlu verilerde modelleme ve dağıtık eğitim yaklaşımları. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 14 | Model Yayına Alma (MLOps)Model versiyonlama, API oluşturma ve Docker ile paketleme. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| Ders Öğrenme Çıktısı | Ölçme Değerlendirme | Öğretim Metodu | Öğrenme Faaliyeti |
| Karmaşık veri yapıları için en uygun ileri düzey makine öğrenmesi mimarisini tasarlar. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Hiper-parametre optimizasyonu ve model seçim stratejilerini kullanarak model performansını en üst düzeye çıkarır. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Derin öğrenme ağlarını (CNN, RNN, Transformers) farklı uygulama alanlarına (görüntü, metin vb.) uyarlar. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Yapay Zeka Etiği ve Açıklanabilirlik kavramlarını kullanarak model kararlarını şeffaf hale getirir. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
DERS ÖĞRENME ÇIKTISI |
PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Ortalama Değer | - | - | - | - | - | - | - | - | - | - | - |
