Bilgi Paketi / Ders Kataloğu
Makine Öğrenmesine Giriş
Ders Kodu: RYZ104
Ders Türü: Bölüm Seçmeli
Ders Grubu: Önlisans
Eğitim Dili: Türkçe
Staj Durumu: Yok
Teori: 2
Uyg.: 0
Kredi: 2
Laboratuvar: 0
AKTS: 2
Amaç

Bu derste öğrencilere, Python programlama dilini öğretmek ve makine öğrenmesine giriş seviyesinde bilgi kazandırmaktır. Öğrencilerin, veri analizi, temel algoritmalar ve basit uygulamalar yolu ile makine öğrenmesinin temel kavramlarını öğrenerek günlük problemlere teknolojik çözümler geliştirme becerisi kazanması amaçlanmaktadır.

Özet İçerik

Python programlama dili, veri analizi ve görselleştirme işlemleri, makine öğrenmesine giriş kavramları, temel algoritmalar (regresyon, karar ağaçları, sınıflandırma)

Dersi Veren Öğretim Görevlisi/Görevlileri
Öğr. Gör. Neslihan BİLİNMEZ
Öğrenme Çıktıları
1.Python programlama dilinin temel sözdizimini ve yapısını açıklar.
2.Veri analizi ve görselleştirme için temel Python kütüphanelerini (NumPy, Pandas, Matplotlib) kullanır
3.Makine öğrenmesinin temel kavramlarını tanımlar ve örnek modeller kurar.
4.Basit sınıflandırma, regresyon ve kümeleme algoritmalarını gerçek veri setleri üzerinde uygular.
5.Makine öğrenmesi sürecinde veri hazırlama, model eğitimi ve doğrulama adımlarını uygular.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1.Python Ile Makine Öğrenimi Ve Derin Öğrenme, Ali Şir ATTİLA
2.Python ile Makine Öğrenmesi, Ömer Deperlioğlu, Utku Köse
Haftalık Ayrıntılı Ders İçeriği
1. Hafta - Teorik
Python programlama diline giriş, temel veri tipleri ve kontrol yapıları
2. Hafta - Teorik
Fonksiyonlar, döngüler ve dosya işlemleri
3. Hafta - Teorik
NumPy ile bilimsel hesaplamalara giriş
4. Hafta - Teorik
Pandas ile veri yapıları ve veri analizi
5. Hafta - Teorik
Matplotlib ve Seaborn ile veri görselleştirme
6. Hafta - Teorik
Makine öğrenmesine giriş: kavramlar, türler, süreçler
7. Hafta - Teorik
Veri ön işleme ve veri temizleme teknikleri
8. Hafta - Teorik
Doğrusal regresyon algoritması ve uygulaması
9. Hafta - Teorik
Lojistik regresyon ve sınıflandırma problemleri
10. Hafta - Teorik
Karar ağaçları ve k-en yakın komşu (KNN) algoritması
11. Hafta - Teorik
Destek vektör makineleri (SVM) ve naive bayes sınıflandırıcı
12. Hafta - Teorik
Kümeleme: K-means ve hiyerarşik kümeleme
13. Hafta - Teorik
Model değerlendirme: doğruluk, karışıklık matrisi, çapraz doğrulama
14. Hafta - Teorik
Genel tekrar
Değerlendirme
Değerlendirme TürüAdetYüzde
Ara Sınav (Vize)1%40
Dönem Sonu Sınavı (Final)1%60
İş Yükü Hesaplaması
EtkinlikSayısıÖn HazırlıkSüreToplam Iş Yükü (Saat)
Kuramsal Ders140228
Dönem Ödevi100220
Ara Sınav1011
Dönem Sonu Sınavı1011
TOPLAM İŞ YÜKÜ (Saat)50
Program ve Öğrenme Çıktıları İlişkisi
PÇ-1
PÇ-2
PÇ-3
PÇ-4
PÇ-5
PÇ-6
PÇ-7
PÇ-8
PÇ-9
PÇ-10
PÇ-11
PÇ-12
PÇ-13
PÇ-14
PÇ-15
OÇ-1
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
OÇ-2
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
OÇ-3
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
OÇ-4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
OÇ-5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
Adnan Menderes Üniversitesi - Bilgi Paketi / Ders Kataloğu
2026