Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
CME 4410	ÖRÜNTÜ TANIMAYA GİRİŞ	SEÇMELİ	2	2	0	6

Dersi Veren Birim

Bilgisayar Mühendisliği

Dersin Düzeyi

Lisans

Ders Koordinatörü

ÖĞRETİM GÖREVLİSİ ÖZLEM ÖZTÜRK

Dersi Alan Birimler

Bilgisayar Mühendisliği

Dersin Amacı

Bu dersin amacı, gürültülü gerçek dünya örneklerinden bilgisayar teknolojisi kullanarak veri setlerindeki örüntülerin tanınmasını sağlamaktır.

Dersin Öğrenme Kazanımları

1	İleri düzey istatistiksel bilgileri kavrayabilme
2	Örüntü tanımanın ne zaman, nerede ve nasıl uygulanabileceğini tanımlayabilme
3	İstatistiksel yöntemler kullanarak parametre kestirimi yapabilme
4	Yapılan modellemelerle gerçek dünya verilerini analiz edebilme
5	Çok disiplinli projelerde veri analizi için gerekli sistemleri tasarlayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Örüntü Tanımaya Giriş
2	Olasılık Teorisinin Tekrarı
3	Bayes Parametre Kestirimi
4	Normal Yoğunluk ve Ayrıştırıcı Fonksiyonlar
5	En Yakın Benzerlik ve Bayes Parametre Kestirimi
6	Fisher Doğrusal Ayrıştırıcı (Discriminant), Beklenti Eniyileme
7	Parametrik Olmayan Yöntemler
8	Sınava Yönelik Çalışma, ARASINAV
9	Mesafe Tabanlı Yöntemler, En Yakın Komşuluk Sınıflayıcısı
10	Doğrusal Ayrıştırıcı Fonksiyonlar
11	Unsupervised Öğrenme
12	Kümeleme
13	Öğrenci Sunumları
14	Sınava Yönelik Çalışma

Ders İçin Önerilen Kaynaklar

Ana Kaynak: Duda R. O., Hart P. E., Stork D. G., (2001), "Pattern Classification", John Wiley and Sons.
Yardımcı Kaynaklar: C. M. Bishop, (2006), "Pattern Recognition and Machine Learning", Springer.

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, problem çözümü, sunum, dönem ödevi, laboratuvar uygulamaları

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	VZ	Vize
2	UYG	Uygulama
3	FN	Final
4	BNS	BNS	VZ 0.30+ UYG 0.20+FN * 0.50
5	BUT	Bütünleme Notu
6	BBN	Bütünleme Sonu Başarı Notu	VZ 0.30+ UYG 0.20+ BUT * 0.50

Değerlendirme Yöntemlerine İliskin Aciklamalar

Dönem projesi final sınavı kapsamında değerlendirmeye katılacaktır.
Laboratuvar uygulamaları, ödevler ve ara sınav dönem içi notunu (% 50), dönem projesi ve final sınavı da dönem sonu notunu (%50) belirleyecektir.

Değerlendirme Kriteri

Öğrencilerin kazandıkları istatistiksel bilgiler vize ve final sınavları ile değerlendirilecektir.
Laboratuvar uygulamalarında örnek problemler üzerinde istatistiksel yöntemler kullanarak parametre kestirimi yapılacaktır.
Dönem projesi çerçevesinde gerçek yaşam verileri üzerinde çalışarak analiz yapmaları sağlanacaktır.
Örüntü tanıma problemleri sıklıkla çok disiplinli projelerde karşılaşılmaktadır. Dönem projesi çok disiplinli bir projenin parçası olarak çalışmalarını sağlayacaktır.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

Özlem Öztürk
Bilgisayar Mühendisliği Bölümü
Dokuz Eylül Üniversitesi
Tınaztepe Kampüsü,
Kaynaklar-Buca
İzmir
ozlem.ozturk@cs.deu.edu.tr
+90 232 3017417

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Salı: 13:00-14:30
Çarş: 13:00-14:30
Cuma: 08:30-10:00

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Uygulama	14	2	28
Ders Anlatımı	14	2	28
Vize Sınavına Hazırlık	1	8	8
Final Sınavına Hazırlık	1	12	12
Ödev Hazırlama	5	4	20
Sunum Hazırlama	1	22	22
Haftalık Ders öncesi/sonrası hazırlıklar	14	2	28
Vize Sınavı	1	2	2
Final Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			150

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.3	PK.4	PK.5	PK.6	PK.7	PK.8	PK.9	PK.10
ÖK.1	5	4	3	1	1	3	2	3	2	3
ÖK.2	5	4	3	1	1	3	2	3	2	3
ÖK.3	5	4	3	1	1	3	2	3	2	3
ÖK.4	3	3	3	3	3	3	2	3	2	3
ÖK.5	3	3	4	4	5	4	2	4	2	3

DERS ADI

DERECE PROGRAMLARI