| Hafta | Konular | Ön Hazırlık |
|---|
| 1 | Konu Anlatımı: Giriş, Makine Öğrenmesi’nin tanımı ve tarihçesi Sınıf-içi Tartışma (10 dk): Makine öğrenmesinin tarihsel gelişimi ve günümüz teknolojilerindeki (örneğin, yapay zeka asistanları, otonom araçlar) etkisinin tartışılması. | Makine öğrenmesinin tanımı, temel kavramları ve tarihsel gelişimi hakkında bilgi edinilmesi; sınıflandırma problemlerine dair basit veri setleriyle yapılan örnek uygulamalar ve makine öğrenmesinin yapay zeka asistanları ile otonom araçlar gibi günümüz teknolojilerindeki kullanımının gözden geçirilmesi. Kaynak: Ders Kitabı 2, Bölüm 1. |
| 2 | Konu Anlatımı: Veri Ön İşleme, Öznitelik Seçimi, Öznitelik Çıkarma ve Performans Ölçüm Metrikleri, Parametre Optimizasyonu – Izgara Arama (Grid Search) Yöntemi. Sınıf-içi Uygulama (30 dk): Bir veri setinde eksik verilerin doldurulması ve ızgara arama yöntemiyle basit bir makine öğrenmesi modelinin hiperparametrelerinin optimize edilmesi. Sınıf-içi Tartışma (10 dk): Veri ön işlemenin ve öznitelik seçiminin model performansına etkisi ile ızgara arama yönteminin pratik uygulamalarının tartışılması. | Veri ön işleme teknikleri, öznitelik seçimi ve çıkarma yöntemleri, performans ölçüm metrikleri ile ızgara arama (Grid Search) yönteminin temel prensiplerinin incelenmesi; bu yöntemlerin makine öğrenmesi model performansına etkilerine dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 2, Bölüm 4; Ders Kitabı 3, Bölüm 3. |
| 3 | Konu Anlatımı: Denetimli Öğrenme Algoritmaları: K-En Yakın Komşu ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde K-En Yakın Komşu (KNN) algoritmasının uygulanarak basit bir sınıflandırma probleminin çözülmesi. | K-En Yakın Komşu (KNN) algoritmasının temel prensipleri, çalışma mantığı ve Python’da uygulanışının incelenmesi; algoritmanın pratik uygulamaları ve diğer denetimli öğrenme algoritmalarıyla karşılaştırmalarına dair örneklerin gözden geçirilerek kısa sınava hazırlık yapılması. Kaynak: Ders Kitabı 1, Bölüm 3. |
| 4 | Konu Anlatımı: Denetimli Öğrenme Algoritmaları: Lojistik Regresyon ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde lojistik regresyon modelinin uygulanması, ikili sınıflandırma probleminin çözülmesi. | Lojistik regresyonun temel prensipleri, ikili sınıflandırma problemlerinde kullanımı ve Python’da uygulanışının incelenmesi; algoritmanın pratik uygulama alanları ile diğer denetimli öğrenme algoritmalarına göre avantaj ve dezavantajlarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 3, Bölüm 5. |
| 5 | Konu Anlatımı: Denetimli Öğrenme Algoritmaları: Karar Ağaçları, Rasgele Orman ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde karar ağacı veya rasgele orman modelini uygulayarak bir sınıflandırma probleminin ağaç tabanlı yöntemlerle çözülmesi. | Karar ağaçları ve rasgele orman algoritmalarının temel prensipleri, Python’da uygulanışları ve sınıflandırma problemlerindeki kullanımlarının incelenmesi; bu algoritmaların gerçek dünya uygulamaları ve performans avantajlarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 2, Bölüm 9; Ders Kitabı 3, Bölüm 8. |
| 6 | Konu Anlatımı: Denetimli Öğrenme Algoritmaları: Naive Bayes ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde Naive Bayes algoritmasının uygulanarak bir metin sınıflandırma probleminin çözülmesi. | Naive Bayes algoritmasının temel prensipleri, özellikle metin sınıflandırma gibi olasılıksal tahminlerde kullanımı ve Python’da uygulanışının incelenmesi; algoritmanın metin işleme alanındaki uygulamaları ile diğer denetimli öğrenme algoritmalarına göre avantaj ve dezavantajlarına dair örneklerin gözden geçirilerek kısa sınava hazırlık yapılması. Kaynak: Ders Kitabı 2, Bölüm 16; Ders Kitabı 3, Bölüm 6. |
| 7 | Konu Anlatımı: Makine Öğrenmesi Genel Uygulamalar I. Sınıf-içi Uygulama (60 dk): Python'da bir veri seti üzerinde bir makine öğrenmesi algoritması uygulayarak basit bir tahmin probleminin çözülmesi. Sınıf-içi Tartışma (10 dk): Makine öğrenmesinin sağlık, finans ve e-ticaret gibi farklı sektörlerdeki genel uygulama alanlarının tartışılması. | Makine öğrenmesi algoritmalarının genel uygulama prensipleri ve Python’da bir veri seti üzerinde tahmin problemi çözümü için temel adımların incelenmesi; sağlık, finans ve e-ticaret sektörlerinde makine öğrenmesinin kullanımına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 1; Ders Kitabı 3. |
| 8 | Ara Sınav 1 | |
| 9 | Konu Anlatımı: Denetimli Öğrenme Algoritmaları: Destek Vektör Makineleri ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde Destek Vektör Makineleri (SVM) algoritmasının uygulanarak bir sınıflandırma problemi çözülmesi. | Destek Vektör Makineleri (SVM) algoritmasının temel prensipleri, sınıflandırma problemlerinde kullanımı ve Python’da uygulanışının incelenmesi; SVM’nin görüntü tanıma ve metin sınıflandırma gibi alanlardaki uygulamaları ile diğer denetimli öğrenme algoritmalarına göre avantaj ve dezavantajlarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 2, Bölüm 13; Ders Kitabı 3, Bölüm 7. |
| 10 | Konu Anlatımı: Topluluk Öğrenmesi Algoritmaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde topluluk öğrenmesi yöntemlerinden biriyle (örneğin, AdaBoost veya Gradient Boosting) bir sınıflandırma problemi çözülmesi. Sınıf-içi Tartışma (10 dk): Topluluk öğrenmesi algoritmalarının (bagging ve boosting) yüksek doğruluk sağlayan uygulamaları ve diğer makine öğrenmesi yöntemleriyle karşılaştırılması. | Topluluk öğrenmesi algoritmalarının (bagging ve boosting) temel prensipleri ve Python’da uygulanışının incelenmesi; bu yöntemlerin yüksek doğruluk sağlayan uygulamaları ile diğer makine öğrenmesi algoritmalarına göre avantaj ve dezavantajlarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 3, Bölüm 8. |
| 11 | Konu Anlatımı: Denetimsiz Öğrenme Algoritmaları: K-Means Kümeleme, Hiyerarşik Kümeleme ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde K-Means veya hiyerarşik kümeleme algoritmasının uygulanarak verilerin kümelere ayrılması. | K-Means ve hiyerarşik kümeleme algoritmalarının temel prensipleri, Python’da uygulanışları ve veri kümelendirme süreçlerinin incelenmesi; bu algoritmaların müşteri segmentasyonu ve veri analizi gibi pratik uygulama alanlarına dair örneklerinin gözden geçirilerek kısa sınava hazırlık yapılması. Kaynak: Ders Kitabı 2, Bölüm 7; Ders Kitabı 3, Bölüm 10. |
| 12 | Konu Anlatımı: Denetimsiz Öğrenme Algoritmaları: Temel Bileşenler Analizi (PCA) ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde Temel Bileşenler Analizi (PCA) uygulanarak veri boyutunun azaltılması ve görselleştirilmesi. | Temel Bileşenler Analizi (PCA) algoritmasının temel prensipleri, veri boyutu azaltma ve görselleştirme süreçleri ile Python’da uygulanışının incelenmesi; PCA’nın veri sıkıştırma, görselleştirme ve makine öğrenmesi ön işlemesindeki kullanımına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 2, Bölüm 6; Ders Kitabı 3, Bölüm 15. |
| 13 | Konu Anlatımı: Denetimsiz Öğrenme Algoritmaları: Doğrusal Diskriminant Analizi (LDA) ve Python Uygulamaları. Sınıf-içi Uygulama (30 dk): Python'da bir veri seti üzerinde Doğrusal Diskriminant Analizi (LDA) uygulanarak sınıflar arası ayrımı maksimize eden bir boyut indirgeme yapılması. Sınıf-içi Tartışma (10 dk): LDA'nın sınıflandırma problemlerinde ve özellik ayırt etme süreçlerinde PCA ile karşılaştırmalı kullanımının tartışılması. | Doğrusal Diskriminant Analizi (LDA) algoritmasının temel prensipleri, sınıflar arası ayrımı maksimize etme süreci ve Python’da uygulanışının incelenmesi; LDA’nın sınıflandırma problemlerinde ve özellik ayırt etmedeki kullanımı ile PCA’ya göre avantaj ve dezavantajlarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 2, Bölüm 6. |
| 14 | Öğrenci sunumlarının dinlenmesi, akran değerlendirmesi ve dönüt-I | Öğrencilerin, kendi seçtikleri bir gerçek dünya problemini makine öğrenmesi teknikleriyle nasıl çözdüklerini anlatan 10-15 dakikalık bir sunum PPT dosyası hazırlaması. |
| 15 | Öğrenci sunumlarının dinlenmesi, akran değerlendirmesi ve dönüt-II | Öğrencilerin, kendi seçtikleri bir gerçek dünya problemini makine öğrenmesi teknikleriyle nasıl çözdüklerini anlatan 10-15 dakikalık bir sunum PPT dosyası hazırlaması. |
| 16 | Final | |
