Dersin Adı
|
Türkçe |
İşletme Uygulamaları ile Makine Öğrenmesine Giriş
|
| İngilizce |
Introduction to Machine Learning with Business Applications |
Dersin Kodu
|
ISL 439E |
Kredi |
Ders
(saat/hafta) |
Uygulama
(saat/hafta) |
Labratuvar
(saat/hafta) |
| Dönem |
1
|
3 |
3 |
- |
- |
| Dersin Dili |
İngilizce |
| Dersin Koordinatörü |
Tolga Kaya
|
| 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.
|
| Dersin Çıktıları |
Bu dersten başarılı olan öğrenci:
1. Makine öğrenmesinin temel kavramlarını, ana sorunlarını ve sınırlamalarını iyi anlayabilecek,
2. Çeşitli denetimli ve denetimsiz algoritmaların arkasındaki varsayımları ve matematik yöntemleri anlayacak,
3. R programlama ortamında sorgulayıcı veri çözümlemesi yapabilecek, verileri etkin biçimde görselleştirip kullanabilecek,
4. Çeşitli makine öğrenmesi tekniklerini gerçek işletme uygulamaları yelpazesinde uygulayıp kullanabilecek,
5. Birbirinden farklı öğrenme algoritmalarının başarımlarını uygun araçlar ve ölçütlerle karşılaştırabilecektir. |
| Önkoşullar |
Öğrencilerin olasılık, istatistik ve kalkülüs kavramlarına aşina olması beklenmektedir. Örneğin, temel olasılık dağılımları ve türev/kısmi türev gibi konularda fikir sahibi olunmalıdır. Temel lineer cebir bilgisi ve herhangi bir programlama dilinde tecrübe (R, Python, Matlab veya Stata) öğrencilere avantaj sağlayacaktır. |
| Gereken Olanaklar |
Katılımcıların gerektiğinde derslere bir dizüstü bilgisayarla gelebilmeleri beklenmektedir. |
| Diğer |
Derste R programlama dili kullanılacaktır. |
| Ders Kitabı |
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning with applications in R. New York: Springer.
Lantz, B. (2015). Machine learning with R. 2nd Edition. Packt Publishing Ltd.
Grinberg, N. F.,Reed, R. J. (2013) Programming exercises for R. Warwick University. |
| Diğer Referanslar |
Alpaydin, E. (2014). Introduction to machine learning. MIT press.
Nielsen, M. A. (2015). Neural networks and deep learning. Determination Press.
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning. Cambridge: MIT press.
Jockers, M. L. (2014). Text analysis with R for students of literature. New York: Springer.
Friedman, J., Hastie, T., & Tibshirani, R. (2009). The elements of statistical learning: Data Mining, Inference, and Prediction, 2nd Edition. New: Springer.
MacKay, D. J. (2003). Information theory, inference and learning algorithms. Cambridge University Press, York. |
|
|