BIN785 - İLERİ MAKİNE ÖĞRENMESİ
| Dersin Adı | Kodu | Yarıyılı | Teori (saat/hafta) |
Uygulama (saat/hafta) |
Yerel Kredi | AKTS |
|---|---|---|---|---|---|---|
| İLERİ MAKİNE ÖĞRENMESİ | BIN785 | Herhangi Yarıyıl/Yıl | 2 | 2 | 3 | 9 |
| Önkoşul(lar)-var ise | - | |||||
| Dersin Dili | İngilizce | |||||
| Dersin Türü | Seçmeli | |||||
| Dersin verilme şekli | Yüz yüze | |||||
| Dersin öğrenme ve öğretme teknikleri | Anlatım Rapor Hazırlama ve/veya Sunma | |||||
| Dersin sorumlusu(ları) | Prof. Dr. Erdem Karabulut | |||||
| Dersin amacı | Makine öğrenmesi ile ilgili temel kavramlara giriş yapılır ve kullanılan yöntemler anlatılır. Verideki karmaşık örüntü/yapıları belirlemek ve karar vermek için elde edilen veriye dayalı olarak otomatik öğrenen algoritmalar geliştirmektir. Danışmanlı (supervised), danışmansız (unsupervised) ve Bayesci (Bayesian) öğrenme algoritmaları ders kapsamındaki temel konulardandır. Bu yöntemlerin sağlık bilimlerinde, özellikle biyoinformatik alanında kullanımı anlatılır. | |||||
| Dersin öğrenme çıktıları |
| |||||
| Dersin içeriği | ? Makine öğrenmesinde Temel Kavramlar ? Bootstrap ve Çapraz Geçerlilik ? Topluluk Yöntemleri (Bagging ve Boosting Algoritmaları) ? Yapay Sinir Ağları ? Derin öğrenme ? Naive Bayes Yöntemi ? Genetik Algoritmalar ? Kohonen Kümeleme Algoritması ve Uygulaması ? Görüntü İşlemede Temel Kavramlar ? Mikroarray Veriler ve Makine Öğrenmesi ? Danışmansız Öğrenmeye Dayalı Sınıflama Teknikleri | |||||
| Kaynaklar | 1. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Hastie T, Tibshirani R, and Friedman J. Second Edition, Springer, USA 2009. 2. Introduction to Machine Learning. Ethem Apaydın. The MIT Press, Cambridge, MA 2004. 3. Machine learning in bioinformatics. Edited by Yan-Qing Zhang, Jagath C. Rajapakse. John Wiley & Sons, Inc., Hoboken, New Jersey 2009. 4. Pattern Recognition and Machine Learning. Christopher M. Bishop. Springer, Singapore 2006. 5. Data mining: Practical machine learning tools and techniques. Ian H.Witten and Eibe Frank. ? 2nd ed. Elsevier Inc. San Francisco, CA 2005. | |||||
Haftalara Göre İşlenecek Konular
| Haftalar | Konular |
|---|---|
| 1. Hafta | Makine Öğrenmesinde Temel Kavramlar |
| 2. Hafta | Bootstrap ve Çapraz Geçerlilik |
| 3. Hafta | Topluluk ;Yöntemleri (Bagging ve Boosting Algoritmaları) |
| 4. Hafta | Yapay Sinir Ağları-1 |
| 5. Hafta | Yapay Sinir Ağları-2 |
| 6. Hafta | Derin Öğrenme |
| 7. Hafta | Naive Bayes Yöntemi |
| 8. Hafta | Ara sınav |
| 9. Hafta | Genetik Algoritmalar |
| 10. Hafta | Kohonen Kümeleme Algoritması ve Uygulaması |
| 11. Hafta | Görüntü İşlemede Temel Kavramlar |
| 12. Hafta | Ara sınav |
| 13. Hafta | Mikroarray Veriler ve İstatistiksel Öğrenme |
| 14. Hafta | Danışmansız Öğrenmeye Dayalı Sınıflama Teknikleri |
| 15. Hafta | Genel sınava hazırlık |
| 16. Hafta | Final Sınavı |
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 | 2 | 10 |
| Sunum | 0 | 0 |
| Projeler | 0 | 0 |
| Seminer | 0 | 0 |
| Ara Sınavlar | 2 | 40 |
| Genel sınav | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı | 4 | 50 |
| Yarıyıl Sonu Sınavının Başarı Notuna Katkısı | 1 | 50 |
| Toplam | 100 | |
AKTS (Öğrenci İş Yükü) Tablosu
| Etkinlikler | Sayısı | Süresi | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 2 | 28 |
| Laboratuvar | 0 | 0 | 0 |
| Uygulama | 14 | 2 | 28 |
| Derse özgü staj (varsa) | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışma Süresi (Ön Çalışma, pekiştirme, vb) | 14 | 8 | 112 |
| Sunum / Seminer Hazırlama | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Ödevler | 2 | 2 | 4 |
| Ara sınavlara hazırlanma süresi | 2 | 20 | 40 |
| Genel sınava hazırlanma süresi | 1 | 58 | 58 |
| Toplam İş Yükü | 47 | 92 | 270 |
Dersin Öğrenme Çıktılarının Program Yeterlilikleri İle İlişkilendirilmesi
| D.9. Program Yeterlilikleri | Katkı Düzeyi* | ||||
|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |
| 1. Science Direct, PubMed, ISI gibi elektronik veri tabanlarını, basılı kitap ve süreli yayınları amacına yönelik olarak kullanabilmelidir. | X | ||||
| 2. Temel biyoinformatik analiz yöntemlerini bilecek ve araştırmalarda uygun şekilde kullanacaktır. | X | ||||
| 3. Biyoinformatik disiplinler arası bir bilim olduğundan, grup çalışma düzenine uyum sağlayabilecek ve diğer kişiler ile iyi iletişim kurabilecek, onların sorunlarını anlayabilecektir. | X | ||||
| 4. Internet kullanımı, alanındaki yenilikleri takip edebilecek ve istediği bilgiye ulaşabilecek düzeyde olmalı, kütüphane kaynaklarına erişimi ise üst düzeyde olmalıdır. | X | ||||
| 5. Teknik-bilimsel gelişimi için ders projeleri hazırlayacak, seminerler ve genaraştırma analizler için danışmanlık hizmetleri verecek, makale tartışması, kongre ve kurslara katılacaktır. | X | ||||
| 6. Güncel gelişmelerin etkisini kendi araştırma konusu dışında da gözleyebilecektir. | X | ||||
| 7. R, Phyton, Linux gibi programa dilleri ve Bioconductor, BLAST, PLINK, GATK gibi biyoinformatik programları kullanabilecektir. Temel programcılık mantığını bilecektir. | X | ||||
*1 En düşük, 2 Düşük, 3 Orta, 4 Yüksek, 5 Çok yüksek