Makine Öğrenmesi Ders Notları #
Dr. Öğr. Üyesi Erkan Özhan tarafından hazırlanan bu ders, makine öğrenmesi temel kavramlarından ileri düzey uygulamalara kadar kapsamlı bir eğitim sunmaktadır. Ders boyunca WEKA, Python ve R kullanarak pratik uygulamalar yapacaksınız.
📚 Ders İçeriği #
Bu derste aşağıdaki konuları öğreneceksiniz:
- Temel Kavramlar: Yapay zeka, makine öğrenmesi, veri ve bilgi hiyerarşisi
- Veri Ön İşleme: Eksik veri analizi, özellik ölçekleme, veri dengeleme (SMOTE, ROSE)
- Sınıflandırma Algoritmaları: Karar ağaçları, Random Forest, Lojistik Regresyon, SVM, Naive Bayes
- Kümeleme Yöntemleri: K-Means, hiyerarşik kümeleme
- Model Değerlendirme: Confusion matrix, ROC eğrisi, AUC, çapraz doğrulama
- Hiperparametre Optimizasyonu: Grid Search, Random Search, Nested Cross-Validation
- Overfitting ve Regularization: L1/L2 düzenlileştirme, Early Stopping
🛠️ Kullanılan Araçlar #
- WEKA: Explorer, Experimenter ve Knowledge Flow modülleri
- Python: scikit-learn, pandas, numpy
- R: caret, randomForest, ggplot2
🎯 Kimler İçin Uygun? #
Bu ders, makine öğrenmesine giriş yapmak isteyen lisans ve yüksek lisans öğrencileri ile veri bilimi alanında kariyer hedefleyen profesyoneller için tasarlanmıştır.
📖 Kaynaklara Erişim #
📄 Detaylı Ders Notları – Formüller ve diyagramlar dahil tam içerik
💻 Kodlar ve Uygulamalar – Python, R ve WEKA örnekleri
📊 Veri Setleri – Ders uygulamalarında kullanılan veriler
🎬 ROC Animasyonu – İnteraktif görselleştirme
🏷️ Etiketler #
makine öğrenmesi, machine learning, yapay zeka, WEKA, Python, sınıflandırma, kümeleme, veri madenciliği, cross-validation, ROC eğrisi, random forest, karar ağaçları, Türkçe ders notu
