Hoş Geldiniz,
Misafir
.
Oturum Aç
.
English
NİNOVA
DERSLER
YARDIM
HAKKINDA
Neredeyim:
Ninova
/
Dersler
/
Bilişim Enstitüsü
/
HBM 538E
/
Dersin Bilgileri
Fakülteye dön
Ana Sayfa
Dersin Bilgileri
Dersin Haftalık Planı
Değerlendirme Kriterleri
Dersin Bilgileri
Dersin Adı
Türkçe
Veri Analizi ve Makine Öğrenmesinde Matematiksel Yöntemler
İngilizce
Mathematical Methods in Data Analysis & Machine Learning
Dersin Kodu
HBM 538E
Kredi
Ders
(saat/hafta)
Uygulama
(saat/hafta)
Labratuvar
(saat/hafta)
Dönem
1
3
3
-
-
Dersin Dili
İngilizce
Dersin Koordinatörü
Süha Tuna
Süha Tuna
Dersin Amaçları
1. Veri analizi ve makine öğrenmesi yöntemlerinin matematiksel arka planlarının öğretilmesi.
2. Veri analizi ve makine öğrenmesi algoritmalarının hesaplamalı analizlerinin gerçekleştirilmesi.
3. Verilen problem için öğrenilen hesaplamalı yöntemlerin uygun biçimde seçilmesi ve bilgisayar ortamında etkin biçimde uygulanması.
4. Hesaplamalı yöntemler aracılığıyla elde edilmiş sonuçların irdelenmesi ve karşılaştırılması.
Dersin Tanımı
Matris uzayları, matrislerin çarpanlara ayrılışı, özdeğer ve özvektörler, tekil değer ayrıştırımı, Eckart-Young Teoremi, vektör ve matris normları, temel bileşen analizi, en küçük kareler yöntemi, lineer denklem sistemleri, üstel matrisler, matrislerin türevleri, eyer noktaları, minmax problemi, fonksiyon minimizasyonu, gradyan iniş yöntemi, stokastik gradyan inişi, yapay sinir ağları, geri yayılım algoritması, kısmi türevler, evrişimsel sinir ağları, öğrenme fonksiyonu, çizgelerde öbek tayini
Dersin Çıktıları
Bu dersi başarıyla tamamlayan yüksek lisans öğrencileri aşağıdaki konularda bilgi, beceri ve yetkinlik kazanırlar;
1. Veri analizi ve makine öğrenmesinde kullanılan güncel yöntemleri bilmesi
2. Vektörler, matrisler ve lineer denklem sistemleri ile ilgili bilgileri data analizi ve makine öğrenmesi algoritmalarında uygulayabilmesi
3. Veri analizi ve makine öğrenmesindeki optimizasyon tabanlı yöntemleri bilmesi
4. İlgili algoritmaların etkinlik, kararlılık ve gürbüzlük gibi hesaplamalı analizlerini gerçekleştirebilmesi
5. Verilen problem için uygun ve etkin yöntemi seçebilmesi ve uygulayabilmesi
6. Elde edilen sonuçları yorumlayabilmesi ve olası olumsuzlukların nedenlerini anlayabilmesi
Önkoşullar
Gereken Olanaklar
Diğer
Ders Kitabı
1) Gilbert Strang, (2019) “Linear Algebra and Learning from Data”, Wellesley-Cambridge Press.
2) W. Martinez, A. Martinez, J. Sofka (2010) “Exploratory Data Analysis with MATLAB”, Chapman & Hall CRC Press.
3) Christopher M. Bishop (2006) “Pattern Recognition and Machine Learning”, Springer.
4) Slawomir Kuziel, Xin-She Yang (2011) “Computational Optimization, Methods and Algorithms”, Springer.
5) Wei Qi Yan, (2021) “Computational Methods for Learning”, Springer
Diğer Referanslar
Dersler
.
Yardım
.
Hakkında
Ninova, İTÜ Bilgi İşlem Daire Başkanlığı ürünüdür. © 2023