Hoşgeldiniz, Misafir . Oturum Aç . English
Neredeyim: Ninova / Dersler / İşletme Fakültesi / ISL 439E - İşletme Uygulamaları ile Makine Öğrenmesine Giriş
 

ISL 439E - İşletme Uygulamaları ile Makine Öğrenmesine Giriş

Dersin Amaçları

1. Öğrenciyi makine öğrenmesinin çeşitli temel kavramları ve yöntemleriyle tanıştırmak
2. Öğrenciyi öğrenen algoritmalar ve bunların işletme ortamında uygulamalarına aşina kılmak
3. Öğrencinin çağdaş bir veri çözümlemesi anlayışı geliştirmesine, yaygın makine öğrenmesi yaklaşımlarının güçlü ve zayıf yanlarını aşina olmasına yardımcı olmak.

Dersin Tanımı

Makine öğrenmesi, verideki örüntüleri öğrenerek kendi performansını geliştiren tekniklere dayanır. Bu ders, İşletme Mühendisliği lisans öğrencilerine makine öğrenmesi yöntemleri ve algoritmalarını tanıtmak üzere tasarlanmıştır. Haftalık ödevler ve R programlama egzersizleri yardımıyla öğrencilere denetimli ve denetimsiz makine öğrenmesi algoritmalarını uygulayarak öğrenme imkanı sunulması hedeflenmektedir. Bu algoritmaların işletme problemlerine uygulanmasını örneklemek amacıyla herkese açık çeşitli yazılım kitaplıkları ve veri kümeleri kullanılacaktır. Öğrenciler ilgi duydukları bir işletme probleminin çözümünü bulmak için final yerine geçecek bir dönem projesi ve bu projeyi özetleyen bir poster sunum hazırlayacaklardır. Derse katılan öğrencilerin istatistik, doğrusal cebir ve giriş düzeyinde programlama bilmesi; derslere o haftaya ait okuma ve videoları tamamlamış olarak gelmesi beklenmektedir. Aşağıda ders boyunca işlenecek konulardan bazıları görülebilir:

Makine öğrenmesine giriş, makine öğrenmesi uygulamaları, R ile programlamaya giriş, denetimli ve denetimsiz öğrenme, doğrusal regresyon modeli ve uzantıları, sınıflandırma problemine genel bakış, lojistik regresyon, doğrusal diskriminant çözümlemesi, sınıflandırma için Bayes Teoreminin kullanımı, naif Bayes yöntemi, K-en yakın komşu yaklaşımı, yinelemeli örnekleme yöntemleri, çapraz geçerlilik, Ridge ve Lasso regresyonları, ağaç temelli yöntemler, rassal orman tekniği, güçlendirilmiş regresyon ve sınıflandırma yöntemleri, destek vektör makineleri, yapay sinir ağları, derin öğrenmeye genel bakış, denetimsiz öğrenme yöntemleri, temel bileşenler çözümlemesi, K-ortalamalı kümeleme, hiyerarşik kümeleme, Apriori algoritması, pazar sepeti çözümlemesi.

Koordinatörleri
Tolga Kaya
Dersin Dili
İngilizce
 
 
Dersler . Yardım . Hakkında
Ninova, İTÜ Bilgi İşlem Daire Başkanlığı ürünüdür. © 2019