| Akademik Birim: |
Ortak Dersler Bölümü – Çekirdek Program |
| Öğrenim Türü: |
Örgün Eğitim |
| Ön Koşullar |
Yok |
| Öğrenim Dili: |
İngilizce |
| Dersin Düzeyi: |
Lisans |
| Dersin Koordinatörü: |
- - |
| Dersin Amacı: |
Bu ders, tüm akademik geçmişlerden gelen öğrencilere, KNIME Analitik Platformu'nu kullanarak Makine Öğrenmesi'nin (ML) temel kavramlarına ve uygulamalarına pratik, uygulamalı bir giriş sunmayı amaçlamaktadır. Dersin sonunda öğrenciler; tipik bir ML iş akışını tanımlayıp yönlendirebilecek, veri işleme görevleri (yükleme, keşif, görselleştirme, ön işleme) için KNIME'ı etkin bir şekilde kullanabilecek, yaygın algoritmaların (Decision Trees, K-Nearest Neighbors, Linear Regression, K-means gibi) arkasındaki temel ilkeleri açıklayabilecek, denetimli ve denetimsiz öğrenme arasında kavramsal olarak ayrım yapabilecek ve belirli bir problem bağlamında basit ML modelleri oluşturup eğitebilecek, eleştirel bir şekilde değerlendirebilecek ve yorumlayabilecektir. Bu süreç, eleştirel düşünme ve problem çözme becerilerinin geliştirilmesini teşvik edecektir. |
| Dersin İçeriği: |
"Kodlamasız Uygulamalı Makine Öğrenmesi" dersi, temel ML kavramlarını ve standart ML iş akışını tanıtır. Görselleştirme yoluyla veri keşfi tekniklerini ve KNIME platformu kullanılarak temizleme, hazırlama ve öznitelik işleme dahil olmak üzere temel veri ön işleme adımlarını kapsar. Müfredat, sınıflandırma, regresyon ve kümelemeyi açıklayarak temel ML görevlerine derinlemesine iner. Uygun metrikler kullanılarak model performansının değerlendirilmesine vurgu yapılır. Ders yapısı, bu kavramları pekiştirmek için KNIME kullanılarak yapılan uygulamalı atölye çalışmalarını içerir ve öğrencilerin öğrenilen teknikleri gerçek dünya veri setine uyguladıkları bir grup projesiyle sonuçlanır; bu proje planlama ve veri seçiminden model oluşturma ve sonuçları sunmaya kadar olan süreçleri kapsar. |
| Dersin Öğrenme Çıktıları (ÖÇ): |
- 1- Tipik bir makine öğrenmesi iş akışının aşamalarını tanımlayıp yönlendirebilecektir.
- 2- Veri yükleme, keşif, görselleştirme ve ön işleme görevleri için KNIME Analitik Platformu'nu etkin bir şekilde kullanabilecektir.
- 3- Decision Trees, K-Nearest Neighbors, K-means gibi yaygın ML algoritmalarının arkasındaki temel ilkeleri açıklayabilecektir.
- 4- Denetimli (sınıflandırma, regresyon) ve denetimsiz (kümeleme) öğrenme görevleri arasında kavramsal olarak ayrım yapabilecektir.
- 5- Uygun metrikleri uygulayarak ve KNIME kullanarak basit ML modelleri oluşturup eğitebilecek ve eleştirel bir şekilde değerlendirebilecektir.
- 6- Model sonuçlarını yorumlayabilecek, farklı algoritmaların performansını karşılaştırabilecek ve belirli bir problem bağlamında sonuçlar çıkarabilecektir.
|
| Dersin Öğrenme Yöntem ve Teknikleri |
Ders anlatımı, sınıf içi ve sınıf dışı etkinlikler |
| Hafta | Konular | Ön Hazırlık |
| 1 |
Mutfağa Hoş Geldiniz: Makine Öğrenmesi (ML) Ortamı |
|
| 2 |
Tarif: ML İş Akışı |
|
| 3 |
Lezzet Profillerini Anlama: Veri Görselleştirme |
|
| 4 |
Malzemeleri Yıkama ve Hazırlama: Veri Ön İşleme I |
|
| 5 |
Doğrama, Küp Küp Kesme ve Marine Etme: Veri Ön İşleme II |
|
| 6 |
Tariflerden Yemek Kitaplarına: Sınıflandırma |
|
| 7 |
Lezzet Eşleşmeleri: Sınıflandırma II |
|
| 8 |
Lezzetleri Dengeleme: Regresyon |
|
| 9 |
Yeni Lezzet Eşleşmeleri Keşfetme: Kümeleme |
|
| 10 |
Tadım Testi: Model Değerlendirme |
|
| 11 |
Menüyü Tasarlama: Proje Atölyesi I |
|
| 12 |
Yemeği Pişirme: Proje Atölyesi II |
|
| 13 |
Başyapıtı Sunma: Proje Sunumları |
|
| 14 |
Başyapıtı Sunma: Proje Sunumları |
|
Kadir Has Üniversitesi'nde bir dönem 14 haftadır, 15. ve 16. hafta sınav haftalarıdır.
PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ
| # |
PY1 |
PY2 |
PY3 |
PY4 |
PY5 |
PY6 |
PY7 |
PY8 |
PY9 |
PY10 |
PY11 |
PY12 |
| OC1 |
|
|
|
|
|
|
|
|
|
|
|
|
| OC2 |
|
|
|
|
|
|
|
|
|
|
|
|
| OC3 |
|
|
|
|
|
|
|
|
|
|
|
|
| OC4 |
|
|
|
|
|
|
|
|
|
|
|
|
| OC5 |
|
|
|
|
|
|
|
|
|
|
|
|
| OC6 |
|
|
|
|
|
|
|
|
|
|
|
|
Katkı Düzeyi: 1 Düşük, 2 Orta, 3 Yüksek
