ELE773 - ÖRÜNTÜ TANIMA
| Dersin Adı | Kodu | Yarıyılı | Teori (saat/hafta) |
Uygulama (saat/hafta) |
Yerel Kredi | AKTS |
|---|---|---|---|---|---|---|
| ÖRÜNTÜ TANIMA | ELE773 | Herhangi Yarıyıl/Yıl | 3 | 0 | 3 | 10 |
| Önkoşul(lar)-var ise | ||||||
| Dersin Dili | Türkçe | |||||
| Dersin Türü | Seçmeli | |||||
| Dersin verilme şekli | Yüz yüze | |||||
| Dersin öğrenme ve öğretme teknikleri | Anlatım Soru-Yanıt | |||||
| Dersin sorumlusu(ları) | Bölüm öğretim üyeleri | |||||
| Dersin amacı | Derste öğrencilerin gerçek hayatta karşılaşabilecekleri örüntü tanıma problemlerini çözebilmeleri için, temelde istatistiksel teknikler ağırlıklı olmak üzere: örüntü tanımanın temel kavramlarının, istatistiksel karar verme kuramının temellerinin, parametrik ve non-parametrik yaklaşımların ve bunların farklarının, ve modern örüntü tanıma sistemlerinde kullanılan diğer tekniklerin öğrenciye aktarılması amaçlanmaktadır. | |||||
| Dersin öğrenme çıktıları |
| |||||
| Dersin içeriği | Örüntü tanımanın temelleri: Örüntü sınıfları, örüntü özellikleri, özelliklerin çıkartılması, sınıflandırma. İstatistiksel karar verme kuramı, Bayes sınıflandırıcısı, Minimax ve Neyman-Pearson kuralları, hata sınırları. Öğretmenle öğrenme: Olasılık yoğunluk işlevlerinin kestirimi, enbüyük olabilirlik ve Bayes kestirimleri. Parametrik olmayan örüntü tanıma teknikleri, Parzen pencereleri, en yakın komşu ve k-en yakın komşu algoritmaları. Ayırtaç analizi, en küçük kareler ve gevşeme algoritmaları. Öğretmensiz öğrenme ve öbekleme analizi. Diğer örüntü tanıma yaklaşımları. | |||||
| Kaynaklar | Duda R. O., Hart P. E., and Stork D. G., Pattern Classification, 2nd ed., John Wiley and Sons, 2001. Webb A., Statistical pattern recognition, Oxford University Press Inc., 1999. Theodoridis S., Koutroumbas K., Pattern recognition, Academic Press, 1999. | |||||
Haftalara Göre İşlenecek Konular
| Haftalar | Konular |
|---|---|
| 1. Hafta | Örüntü tanımada temel kavramlar |
| 2. Hafta | Bayes karar verme kuramı, Hata integralleri, Minimax ve Neyman-Pearson kuralları |
| 3. Hafta | Çok-boyutlu normal dağılımlar için ayırtaç işlevleri, Normal dağılımlar için hata sınırları: Chernoff ve Bhattacharyya sınırları |
| 4. Hafta | Ayrık özellikler için Bayes karar verme kuramı, Eksik ve gürültülü özellikler |
| 5. Hafta | Parametre kestirimi: Enbüyük olabilirlik ve Bayes kestirimleri, Yeterli istatistik kavramı |
| 6. Hafta | Yüksek boyutun getirdiği sorunlar, Temel bileşenler analizi ve Fisher doğrusal ayırtaç analizi |
| 7. Hafta | Parametrik olmayan teknikler: Parzen pencereleri |
| 8. Hafta | Parametrik olmayan teknikler: en yakın komşu ve k-en yakın komşu algoritmaları, Örüntü tanımada yaygın olarak kullanılan metrikler |
| 9. Hafta | Ara sınav |
| 10. Hafta | Doğrusal ayırtaç işlevleri ve karar bölgeleri |
| 11. Hafta | Gradyan iniş yöntemleri: Perceptron algoritması, gevşeme algoritmaları |
| 12. Hafta | En küçük kareler algoritmaları, Destek vektör makinaları |
| 13. Hafta | Öğretmensiz öğrenme: Öbekleme algoritmaları, k-ortalama öbeklemesi, Öbeklemede başarı ölçütleri: Enküçük değişinti ve saçılma kriterleri |
| 14. Hafta | İstatistiksel olmayan örüntü tanıma yöntemlerine genel bakış, Karar ağaçları, diziler ve gramer tabanlı yöntemler |
| 15. Hafta | Genel Sınava Hazırlık |
| 16. Hafta | Genel Sınav |
Değerlendirme Sistemi
| Yarıyıl içi çalışmaları | Sayısı | Katkı Payı % |
|---|---|---|
| Devam (a) | 0 | 0 |
| Laboratuar | 0 | 0 |
| Uygulama | 0 | 0 |
| Alan Çalışması | 0 | 0 |
| Derse Özgü Staj (Varsa) | 0 | 0 |
| Ödevler | 7 | 35 |
| Sunum | 0 | 0 |
| Projeler | 0 | 0 |
| Seminer | 0 | 0 |
| Ara Sınavlar | 1 | 25 |
| Genel sınav | 1 | 40 |
| Toplam | 100 | |
| Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı | 0 | 60 |
| Yarıyıl Sonu Sınavının Başarı Notuna Katkısı | 0 | 40 |
| Toplam | 100 | |
AKTS (Öğrenci İş Yükü) Tablosu
| Etkinlikler | Sayısı | Süresi | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 3 | 42 |
| Laboratuvar | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Derse özgü staj (varsa) | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışma Süresi (Ön Çalışma, pekiştirme, vb) | 14 | 10 | 140 |
| Sunum / Seminer Hazırlama | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Ödevler | 7 | 9 | 63 |
| Ara sınavlara hazırlanma süresi | 1 | 25 | 25 |
| Genel sınava hazırlanma süresi | 1 | 30 | 30 |
| Toplam İş Yükü | 37 | 77 | 300 |
Dersin Öğrenme Çıktılarının Program Yeterlilikleri İle İlişkilendirilmesi
| D.9. Program Yeterlilikleri | Katkı Düzeyi* | ||||
|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |
| 1. Elektrik ve Elektronik Mühendisliği'nin belirli alanlarında en üst düzeyde bilgi sahibidir. | X | ||||
| 2. Bilim ve teknolojiye yenilik getirecek bilgi, beceri ve yetkinliğe sahiptir. | X | ||||
| 3. Bilimsel literatürü ve alanındaki en son gelişmeleri takip eder, edindiği bilgilerin eleştirel analizini, sentezini, değerlendirmesini yapar ve araştırmalarında etkin biçimde kullanır. | X | ||||
| 4. Özgün bir araştırmayı bağımsız olarak baştan sona yürütebilir. | X | ||||
| 5. Özgün araştırma gerektiren projeleri tasarlar, planlar ve yönetir; disiplinlerarası projelerde liderlik yapabilir. | X | ||||
| 6. Bilim ve teknoloji literatürüne katkıda bulunur. | X | ||||
| 7. Çalışmalarını yazılı veya sözlü olarak etkin biçimde, Türkçe veya İngilizce sunar. | X | ||||
| 8. Toplumsal sorumluluğunun farkındadır, bilimsel ve teknolojik gelişmeleri bilimsel tarafsızlık ilkesi ve etik sorumluluk bilinciyle değerlendirir ve topluma aktarır. | X | ||||
*1 En düşük, 2 Düşük, 3 Orta, 4 Yüksek, 5 Çok yüksek