DERSİN TÜRÜ | Seçmeli |
DERSİN DÜZEYİ | Doktora |
DERSİN YILI | - |
YARIYIL | Program Ders Listesi-------- |
AKTS | 10 |
ÖĞRETİM ELEMAN(LAR)I | -
|
DERSİN ÖĞRENME KAZANIMLARI |
Bu dersin sonunda öğrenciler; 1) İstatistiksel veri analizinin temel prensiplerini öğrenir. 2) Örüntü tanıma programları geliştirme ve bunları kullanma pratiği kazanır. 3) Örüntü tanıma tekniklerini problem çözmek için kullanma yeteneği kazanır.
|
DERSİN VERİLİŞ BİÇİMİ | Yüz Yüze |
DERSİN ÖNKOŞULLARI | Yok |
ÖNERİLEN DERSLER | Yok |
DERS İÇERİĞİ | HAFTA | KONULAR |
---|
1. Hafta | Veri analizi temelleri | 2. Hafta | Özellik azaltma | 3. Hafta | Öğreticili sınıflandırma | 4. Hafta | Perseptron algoritmaları | 5. Hafta | Doğrusal ayırıcılar | 6. Hafta | En yakın komşuluk | 7. Hafta | En büyük ihtimal kestirimi,Bayes çıkarımı | 8. Hafta | Ara-sınav | 9. Hafta | Destek vektör makinaları | 10. Hafta | Saklı Markov modelleri | 11. Hafta | Öğreticisiz yöntemler | 12. Hafta | K-ortalama | 13. Hafta | Hiyerarşik kümeleme | 14. Hafta | Yakın gelişmeler |
|
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR | Pattern Classification 2nd. Edition., R.O. Duda, P.E. Hart & D.G. Stork, J. Wiley Inc., 2001 |
ÖĞRETİM YÖNTEM VE TEKNİKLERİ | Proje |
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ | | Sayısı | Toplam Katkısı(%) |
---|
Ara Sınav | 1 | 30 | Proje | 1 | 30 | Toplam(%) | | 60 | Yıl İçinin Başarıya Oranı(%) | | 60 | Finalin Başarıya Oranı(%) | | 40 | Toplam(%) | | 100 |
|
DİL | Türkçe |
STAJ / UYGULAMA | Yok |
| |