BLG 454E - Veriden Öğrenme

Dersin Amaçları

Öğrencileri temel veri analizi ve makine öğrenimi yöntemleri ve altta yatan teorilerle tanıştırmak
- Sınıflandırma, kümeleme ve regresyon problemlerini çözmek için mevcut araçları uygulamayı öğrenmek
- Makine öğrenimi araçlarını kullanırken aşırı uyum, korelasyon ve nedenselliğin karıştırılması gibi önemli tuzaklardan kaçınmayı öğrenmek
- Makine öğrenimi yöntemlerinin performansının değerlendirilmesini ve karşılaştırılmasını öğrenmek.
Bu dersin amacı, makine öğreniminin temel metodolojileri ve algoritmaları konusunda kapsamlı bir temel sağlamaktır

Dersin Tanımı

Makine Öğrenmesine Giriş, Başlıca Uygulamalar
Matematiksel Arka Plan, Marjinal ve Koşullu Olasılık, Bayes Teoremi, Bayesçi
Karar Teorisi
Yoğunluk Tahmini, Maksimum Olabilirlik Tahmini, Bayesçi Öğrenme, Naive Bayes
Doğrusal Regresyon
Önyargı-Varyans İkilemi, Düzenleme, Ridge Regresyonu ve Lasso
Doğrusal Sınıflandırıcılar
Yapay Sinir Ağları, Perceptron ve Çok Katmanlı Perceptron
Sınıflandırıcı Performansının Değerlendirilmesi ve Karşılaştırılması
Özellik Seçimi ve Çıkarımı
Büyük Marjlı Sınıflandırıcılar, Destek Vektör Makineleri, Çekirdek Yöntemleri
Karar Ağaçları ve Rastgele Orman
Denetimsiz Öğrenme, Kümeleme
Derin Öğrenme ve Büyük Veri