Yenilikçi Makine Öğrenme Ortamlarıyla Tanışacağız Dersimize Hoşgeldiniz.
Bu ders, Makine Öğrenme Temelleri ve pratik uygulama yeteneklerini kazandırmayı amaçlayan bir içerik ile tasarlanmıştır.
| Ders Yeri | FÜ TF - A Blok A302 |
|---|---|
| Ders Saatleri | Çarşamba 9:15-12:00 |
| Ders Sorumlusu | Doç. Dr. Ferhat Uçar |
| E-posta | [email protected] |
<aside> 📢 Duyurular:
Web sitemiz güncellendi! (16 Haziran Pazartesi, 2025)
FİNAL SINAV Projesi - ilgili sekmede duyurulmuştur. Ayrıca GitHub Classroom Assignment linki **WhatsApp Kanalımızdan** da duyurulmuştur.
ARA SINAV Projesi - ilgili sekmede duyurulmuştur. Ayrıca GitHub Classroom Assignment linki **WhatsApp Kanalımızdan** da duyurulmuştur.
</aside>
<aside> 🔋
</aside>
Bu ders, makine öğrenme alanındaki temel kavramlardan başlayarak modern ve kullanıcı dostu yenilikçi makine öğrenme ortamlarına doğru ilerleyen kapsamlı bir eğitim sunmaktadır. Lisansüstü eğitimlerine devam eden araştırmacılar için tasarlanan bu ders, teorik makine öğrenme bilgisi ile pratik uygulama arasında köprü kurarak, kod yazma zorunluluğu olmadan karmaşık modeller geliştirme becerisi kazandırmayı amaçlamaktadır.
Dersin ilk bölümünde, makine öğrenme temellerini, veri hazırlama süreçlerini, sınıflandırma, regresyon, kümeleme algoritmaları gibi temel modelleri ve model değerlendirme yöntemlerini inceleyeceğiz. Bu kavramsal altyapı üzerine, dersin ikinci bölümünde yenilikçi ve görsel programlama tabanlı makine öğrenme ortamlarına odaklanacağız.
Öğrenciler, Orange ortamında sürükle-bırak arayüzü ile veri görselleştirme ve model geliştirmeyi, $H_2O$ platformunda büyük veri setleri üzerinde otomatikleştirilmiş makine öğrenme süreçlerini, Knime ile iş akışı temelli analiz pipeline'larını ve Jamovi ile model optimizasyonu ve yorumlanabilirlik konularını uygulama fırsatı bulacaklardır. Her bir ortamın güçlü yönleri ve kullanım senaryoları gerçek dünya problemleri üzerinden gösterilecektir.
Ders süresince, çeşitli sektörlerden veri setleri kullanılarak end-to-end projeler geliştirilecek, farklı ortamların performans ve kullanılabilirlik açısından karşılaştırmalı değerlendirmesi yağılacak ve her bir platformun sunduğu benzersiz özellikler keşfedilecektir. Ayrıca, bu ortamların geleneksel programlama tabanlı yaklaşımlarla nasıl entegre edilebileceği de incelenecektir.
Bu dersin sonunda, makine öğrenme modellerinin hızlı bir şekilde prototiplemesi, veri bilimi iş akışlarının otomatikleştirilmesi ve karmaşık problemlere çözüm üretilebilmesi gibi yetkinliklerin kazandırılması hedeflenmiştir. Edinilen bu beceriler, hem akademik araştırmalarda hem de endüstriyel uygulamalarda araştırmacılara önemli avantajlar sağlayacak, makine öğrenme projelerini daha erişilebilir ve verimli hale getirecektir.
<aside> ⚙
İşte Dersimize ait Diğer Ayrıntılar!!!
</aside>