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 DiliTürkçe
Dersin TürüSeçmeli 
Dersin verilme şekliYüz yüze 
Dersin öğrenme ve öğretme teknikleriAnlatım
Soru-Yanıt
 
Dersin sorumlusu(ları)Bölüm öğretim üyeleri 
Dersin amacıDerste 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
  1. Örüntü tanıma sistemleriyle ile ilgili temel kavram ve yaklaşımları bilir,
  2. .Değişik örüntü tanıma yaklaşımlarının birbirine göre avantaj ve dezavantajlarını bilir.
  3. Derste öğrendiği teknikleri ve algoritmaları gerçek uygulamalarda kullanır,
  4. İlk defa karşılaştığı bir örüntü tanıma problemine gerçekçi çözümler önerebilir,
  5. Gelişmiş güncel örüntü tanıma algoritmalarını takip edip anlayabilecek temele sahip olur.
Dersin içeriğiÖrüntü 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.
 
KaynaklarDuda 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

HaftalarKonular
1. HaftaÖrüntü tanımada temel kavramlar
2. HaftaBayes karar verme kuramı, Hata integralleri, Minimax ve Neyman-Pearson kuralları
3. HaftaÇok-boyutlu normal dağılımlar için ayırtaç işlevleri, Normal dağılımlar için hata sınırları: Chernoff ve Bhattacharyya sınırları
4. HaftaAyrık özellikler için Bayes karar verme kuramı, Eksik ve gürültülü özellikler
5. HaftaParametre kestirimi: Enbüyük olabilirlik ve Bayes kestirimleri, Yeterli istatistik kavramı
6. HaftaYüksek boyutun getirdiği sorunlar, Temel bileşenler analizi ve Fisher doğrusal ayırtaç analizi
7. HaftaParametrik olmayan teknikler: Parzen pencereleri
8. HaftaParametrik olmayan teknikler: en yakın komşu ve k-en yakın komşu algoritmaları, Örüntü tanımada yaygın olarak kullanılan metrikler
9. HaftaAra sınav
10. HaftaDoğrusal ayırtaç işlevleri ve karar bölgeleri
11. HaftaGradyan iniş yöntemleri: Perceptron algoritması, gevşeme algoritmaları
12. HaftaEn küçük kareler algoritmaları, Destek vektör makinaları
13. HaftaÖğretmensiz öğrenme: Öbekleme algoritmaları, k-ortalama öbeklemesi, Öbeklemede başarı ölçütleri: Enküçük değişinti ve saçılma kriterleri
14. Haftaİstatistiksel olmayan örüntü tanıma yöntemlerine genel bakış, Karar ağaçları, diziler ve gramer tabanlı yöntemler
15. HaftaGenel Sınava Hazırlık
16. HaftaGenel Sınav

Değerlendirme Sistemi

Yarıyıl içi çalışmalarıSayısıKatkı Payı %
Devam (a)00
Laboratuar00
Uygulama00
Alan Çalışması00
Derse Özgü Staj (Varsa) 00
Ödevler735
Sunum00
Projeler00
Seminer00
Ara Sınavlar125
Genel sınav140
Toplam100
Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı060
Yarıyıl Sonu Sınavının Başarı Notuna Katkısı040
Toplam100

AKTS (Öğrenci İş Yükü) Tablosu

Etkinlikler Sayısı Süresi Toplam İş Yükü
Ders Süresi 14 3 42
Laboratuvar 0 0 0
Uygulama000
Derse özgü staj (varsa)000
Alan Çalışması000
Sınıf Dışı Ders Çalışma Süresi (Ön Çalışma, pekiştirme, vb)1410140
Sunum / Seminer Hazırlama000
Proje000
Ödevler7963
Ara sınavlara hazırlanma süresi12525
Genel sınava hazırlanma süresi13030
Toplam İş Yükü3777300

Dersin Öğrenme Çıktılarının Program Yeterlilikleri İle İlişkilendirilmesi

D.9. Program YeterlilikleriKatkı Düzeyi*
12345
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