MAKİNE ÖĞRENİMİ TEORİSİ

Ders Açıklaması

Makine öğrenimi kavramı ve altında yatan olasılıksal ve istatistiksel yaklaşımlar bu derste baştan sona geniş çaplı bir şekilde ele alınmaktadır. Veri bilimi için makine öğrenimi kavramı çok değişkenli veri analizi için gerekli araç ve tekniklere odaklanılarak kapsamlı bir şekilde gözden geçirilmektedir. Bu dersi alan öğrencilerin temel matematik ve Phyton programlama altyapısına sahip olmaları beklenmektedir. Bu dersi tamamlayan öğrenciler belirsiz verileri olasılıksal modeller ile ele almak için gerileme, sınıflandırma, kümeleme, boyutluluk indirgeme ve değerlendirme yöntem ve tekniklerini uygulama becerilerine sahip olacaklardır. Bu dersi tamamlayan öğrenciler, deneme yanılma yoluyla kendi kurallarını ortaya koyarak problem çözebilen sistemleri, verilerdeki örüntüleri otomatik olarak tanımlayan sistemlerle karşılaştırabileceklerdir.

MAKİNE ÖĞRENİMİ TEORİSİ

Değerlendirme Araçları (Aktif Dönem)

Değerlendirme öğesi tanımlanmamış.

Ders çıktıları

Henüz ders çıktısı tanımlanmamış.

Ders Müfredatı

Henüz haftalık içerik tanımlanmamış.

Referans Kitaplar & Ders Materyalleri

Kaynak kitap listelenmemiş.

Ders Çıktıları

Öğrenme çıktısı tanımlanmamış.

Program Çıktıları

1. Veri bilimi alanındaki güncel durumu değerlendirmek ve anlamak amacıyla teoriler, çerçeveler ve modeller hakkında derinlemesine bilgi sahibi olmak.
2. Literatürü incelemek ve veri bilimi teorileri ile metodolojilerini yeni araştırmalarda ve deneylerde uygulamak.
3. Denetimli ve denetimsiz makine öğrenimi tekniklerini kullanarak veri setlerini analiz etmek.
4. Veri yönetimi, analiz ve problem çözümü için istatistiksel ve bilişim yazılım sistemleri tasarlamak, geliştirmek ve test etmek.
5. Farklı veri türleri ve analitik görevler için etkili görselleştirmeler tasarlamak ve geliştirmek, ayrıca görselleştirme ve görsel analiz konularında teorik ve uygulamalı konular üzerine bağımsız araştırmalar yürütmek
6. İletişim, problem çözme, araştırma veya proje faaliyetlerinde yüksek düzeyde yetkinlik kazanmak ve çok disiplinli bir ekipte ortak bir hedefe ulaşmak için bir ekip üyesi ya da lider olarak etkin biçimde çalışmak.
7. Büyük veri kümelerinin yönetimiyle ilgili zorlukların üstesinden gelmek için paralel yöntemler, bulut bilişim ve ilişkisel olmayan (NoSQL) veri depolama ve erişim çözümleri geliştirmek ve uygulamak.
8. Veri, bilgi ve iletişimin disiplinlerarası doğasını anlamak ve veri toplama ile analizine yönelik önde gelen araştırma yöntemlerini değerlendirme yeteneği kazanmak.
9. Verinin kullanımıyla ilgili etik sorunları derinlemesine anlamak ve gerçek dünya veri uygulamalarında etik kararlar alabilmek.
10. Geniş bir alan yelpazesinden bilgiyi analiz etme, sentezleme ve değerlendirme yeteneğini göstermek ve yaşam boyu kendi kendine öğrenme yetisine sahip olmak.

Pç-Dç Matrisi

PÇ-ÖÇ matrisi henüz doldurulmamış.