Bizi takip edin
|
EN

MÜHENDİSLİK FAKÜLTESİ

Endüstri Mühendisliği

CE 322 | Ders Tanıtım Bilgileri

Dersin Adı
Örüntü Tanıma
Kodu
Yarıyıl
Teori
(saat/hafta)
Uygulama/Lab
(saat/hafta)
Yerel Kredi
AKTS
CE 322
Güz/Bahar
3
0
3
5

Ön-Koşul(lar)
Yok
Dersin Dili
İngilizce
Dersin Türü
Servis Dersi
Dersin Düzeyi
Lisans
Dersin Veriliş Şekli -
Dersin Öğretim Yöntem ve Teknikleri Problem çözme
Deney / Laboratuvar / Atölye uygulama
Anlatım / Sunum
Dersin Koordinatörü -
Öğretim Eleman(lar)ı -
Yardımcı(ları) -
Dersin Amacı Bu dersin odak noktası örüntü tanıma tekniklerinin teori ve uygulanmaları üzerinedir. Kapsanan konular arasında, makine ile örüntü sınıflandırılması, öznitelik çıkarma, nesne tanıma, Bayes karar teorisi, parametrik ve parametrik olmayan örüntü tanıma, denetimli ve denetimsiz örüntü tanıma konuları bulunmakta ve bu konulara genel bir bakış sunulmaktadır.
Öğrenme Çıktıları Bu dersi başarıyla tamamlayabilen öğrenciler;
  • Temel ve gelişmiş örüntü tanıma sistemlerini tasarlayabilecektir.
  • Temel istatistiksel ve sözdizimsel örüntü tanıma yaklaşımlarını açıklayabilecektir.
  • Örüntü tanıma sistemi tasarımlarında yer alan başlıca konuları ve problemleri betimleyebilecektir.
  • Değişik örüntü tanıma tekniklerini karşılaştırabilecektir.
  • Bilgisayar araçları kullanarak örüntü tanıma tekniklerini uygulayabilecektir.
Ders Tanımı Öğrenme ve adopsiyon, Bayes karar teorisi, ayırıcı fonksiyonlar, parametrik teknikler, maksimum olabilirlik tahmini, Bayes tahmini, yeterli istatistik, parametrik olmayan teknikler, doğrusal ayırtaç fonksiyonlar, algoritma bağımsız otomatik öğrenme, sınıflandırıcılar, denetimsiz öğrenme, gruplaştırma.

 



Dersin Kategorisi

Temel Ders
Uzmanlık/Alan Dersleri
Destek Dersleri
İletişim ve Yönetim Becerileri Dersleri
Aktarılabilir Beceri Dersleri

 

HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI

Hafta Konular Ön Hazırlık
1 Örüntü Tanımaya Giriş, Öğrenme ve Adopsiyon Bölüm 1. Kısım 1.1-1.6. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
2 Bayes Karar Teorisi Bölüm 2. Kısım 2.1-2.4. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
3 Ayırtaç Fonksiyonlar Bölüm 2. Kısım 2.5,2.6, 2.9. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
4 Parametrik Teknikler: Maksimum Olabilirlik Tahmini ve Bayes Kestirimi, Yeterli İstatistikler Bölüm 3. Kısım 3.1-3.7. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
5 Parametrik Olmayan Teknikler Bölüm 4. Kısım 4.1-4.4. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
6 Doğrusal Ayırtaç Fonksiyonlar Bölüm 5. Kısım 5.1-5.8. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
7 Ara-sınav
8 Metrik Olmayan Yöntemler Bölüm 8. Kısım 8.1-8.4. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
9 Algoritma-Bağımsız Otomatik Öğrenme Bölüm 9. Kısım 9.1-9.3. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
10 Algoritma-Bağımsız Otomatik Öğrenme – Tekrar Örnekleme Bölüm 9. Kısım 9.4,9.5. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
11 Algoritma-Bağımsız Otomatik Öğrenme – Sınıflandırıcılar Bölüm 9. Kısım 9.6,9.7. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
12 Denetimsiz Öğrenme ve Gruplaştırma Bölüm 10. Kısım 10.1-10.4. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
13 Denetimsiz Öğrenme ve Kümeleme Bölüm 10. Kısım 10.5-10.9. Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.
14 Proje sunumları
15 Dönemin gözden geçirilmesi
16 Final Sınavı

 

Ders Kitabı

Duda, R.O.Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001.

Önerilen Okumalar/Materyaller

Bishop, C. M. Pattern Recognition and Machine Learning. Springer. 2007; Marsland, S. Machine Learning: An Algorithmic Perspective. CRC Press. 2009. (Also uses Python.); Theodoridis, S. and Koutroumbas, K. Pattern Recognition. Edition 4. Academic Press, 2008.

 

DEĞERLENDİRME ÖLÇÜTLERİ

Yarıyıl Aktiviteleri Sayı Katkı Payı %
Katılım
Laboratuvar / Uygulama
Arazi Çalışması
Küçük Sınav / Stüdyo Kritiği
Portfolyo
Ödev
1
10
Sunum / Jüri Önünde Sunum
Proje
1
20
Seminer/Çalıştay
Sözlü Sınav
Ara Sınav
1
30
Final Sınavı
1
40
Toplam

Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı
3
60
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı
1
40
Toplam

AKTS / İŞ YÜKÜ TABLOSU

Yarıyıl Aktiviteleri Sayı Süre (Saat) İş Yükü
Teorik Ders Saati
(Sınav haftası dahildir: 16 x teorik ders saati)
16
3
48
Laboratuvar / Uygulama Ders Saati
(Sınav haftası dahildir. 16 x uygulama/lab ders saati)
16
0
Sınıf Dışı Ders Çalışması
14
2
28
Arazi Çalışması
0
Küçük Sınav / Stüdyo Kritiği
0
Portfolyo
0
Ödev
1
10
10
Sunum / Jüri Önünde Sunum
0
Proje
1
20
20
Seminer/Çalıştay
0
Sözlü Sınav
0
Ara Sınavlar
1
20
20
Final Sınavı
1
24
24
    Toplam
150

 

DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ

#
Program Yeterlilikleri / Çıktıları
* Katkı Düzeyi
1
2
3
4
5
1

Matematik, fen bilimleri ve Endüstri Mühendisliği konularında yeterli bilgi sahibidir; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık Endüstri Mühendisliği problemlerinde kullanır.

X
2

Karmaşık Endüstri Mühendisliği problemlerini saptar, tanımlar, formüle eder ve çözer; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular.

X
3

Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar; bu amaçla modern tasarım yöntemlerini uygular.

X
4

Endüstri Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirir, seçer ve kullanır.

X
5

Karmaşık Endüstri Mühendisliği problemlerinin veya araştırma konularının incelenmesi için deney tasarlar, deney yapar, veri toplar, sonuçları analiz eder ve yorumlar.

X
6

Endüstri Mühendisliği disiplini içinde ve çok disiplinli takımlarda etkin biçimde çalışır; bireysel çalışma yapar.

X
7

Türkçe sözlü ve yazılı etkin iletişim kurar; etkin rapor yazar ve yazılı raporları anlar, tasarım ve üretim raporları hazırlar, etkin sunum yapar, açık ve anlaşılır talimat verir ve alır.

8

Endüstri Mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın Endüstri Mühendisliği alanına yansıyan sorunları hakkında bilgi sahibidir; Endüstri Mühendisliği çözümlerinin hukuksal sonuçlarının farkındadır.

9

Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilincine sahiptir; Endüstri Mühendisliği uygulamalarında kullanılan standartlar hakkında bilgi sahibidir.

X
10

Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi sahibidir; girişimcilik, yenilikçilik hakkında bilinçlidir; sürdürülebilir kalkınma hakkında bilgi sahibidir.

11

Bir yabancı dili kullanarak Endüstri Mühendisliği ilişkili konularda bilgi toplar ve meslektaşları ile iletişim kurar.

12

İkinci yabancı dili orta düzeyde kullanır.

13

Yaşam boyu öğrenmenin gerekliliği bilincindedir; bilgiye erişir, bilim ve teknolojideki gelişmeleri izler ve kendini sürekli yeniler; insanlık tarihi boyunca oluşan bilgi birikimini Endüstri Mühendisliği alanıyla ilişkilendirir.

X

*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest

 


SOSYAL MEDYA

İzmir Ekonomi Üniversitesi
izto logo
İzmir Ticaret Odası Eğitim ve Sağlık Vakfı
kuruluşudur.
ieu logo

Sakarya Caddesi No:156
35330 Balçova - İzmir / TÜRKİYE

kampus izmir

Bizi Takip edin

İEU © Tüm hakları saklıdır.