Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
---|---|---|---|---|---|---|
Çoklu Algılayıcılı Sistemlerde Örüntü Tanıma | KOM6102 | 3 | 7.5 | 3 | 0 | 0 |
Önkoşullar | Yok |
---|
Yarıyıl | Güz, Bahar |
---|
Dersin Dili | İngilizce, Türkçe |
---|---|
Dersin Seviyesi | Doktora |
Dersin Türü | Seçmeli @ Kont. ve Otom. Müh. ABD Kontrol ve Otomasyon Mühendisliği Doktora Programı Seçmeli @ Aviyonik Mühendisliği Tezli Yüksek Lisans Programı Seçmeli @ Kont. ve Otom. Müh. ABD Kontrol ve Otomasyon Mühendisliği Yüksek Lisans Programı |
Ders Kategorisi | Uzmanlık/Alan Dersleri |
Dersin Veriliş Şekli | Yüz yüze |
Dersi Sunan Akademik Birim | Kontrol ve Otomasyon Mühendisliği Bölümü |
---|---|
Dersin Koordinatörü | Şeref Naci Engin |
Dersi Veren(ler) | Ufuk Sakarya |
Asistan(lar)ı |
Dersin Amacı | Bu dersin amacı örüntü tanıma ilke ve teknikleri hakkındaki temel bilgileri öğretmektir. |
---|---|
Dersin İçeriği | Örüntü, öznitelik, sınıflandırma ve topaklama kavramlarına giriş, Örüntü tanımadaki öznitelik çıkarma ve seçme kavramları, Öğreticili, öğreticisiz ve yarı öğreticili yöntemler ışığında boyut indirgeme teknikleri, Sınıflandırma teknikleri, Bayes Karar Sınıflandırıcısı, K en yakın komşu sınıflandırıcısı (KNN), Destekçi Vektör Makinaları (SVM), Saklı Markov Modelleri (HMM) gibi, Topaklama teknikleri, K ortalamalar ve çizge temelli düzgelenmiş kesimler. |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Öğrenci, örüntüler, öznitelikler, sınıflandırma ve topaklama kavramları hakkında temel bilgiler edinir.
- Öğrenci, öznitelik çıkarma ve öznitelik seçme kavramları hakkında temel bilgiler edinir.
- Öğrenci, temel bileşen analizi (PCA) ve doğrusal ayraç analizi (LDA) gibi boyut indirgeme tekniklerinin kavramları hakkında temel bilgiler edinir
- Öğrenci, Bayes Karar Sınıflandırıcısı, k en yakın komşu sınıflandırıcısı (KNN), destekçi vektör makinaları (SVM), saklı Markov modelleri (HMM) gibi sınıflandırma tekniklerininin kavramları hakkında temel bilgiler edinir.
- Öğrenci, k ortalamalar ve çizge temelli düzgelenmiş kesimler gibi topakalama tekniklerininin kavramları hakkında temel bilgiler edinir.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
PÇ-1 | - | - | - | - | - |
PÇ-2 | - | - | - | - | - |
PÇ-3 | - | - | - | - | - |
PÇ-4 | - | - | - | - | - |
PÇ-5 | - | - | - | - | - |
PÇ-6 | - | - | - | - | - |
PÇ-7 | - | - | - | - | - |
PÇ-8 | - | - | - | - | - |
PÇ-9 | - | - | - | - | - |
PÇ-10 | - | - | - | - | - |
PÇ-11 | - | - | - | - | - |
PÇ-12 | - | - | - | - | - |
PÇ-13 | - | - | - | - | - |
PÇ-14 | - | - | - | - | - |
PÇ-15 | - | - | - | - | - |
PÇ-16 | - | - | - | - | - |
PÇ-17 | - | - | - | - | - |
PÇ-18 | - | - | - | - | - |
PÇ-19 | - | - | - | - | - |
PÇ-20 | - | - | - | - | - |
PÇ-21 | - | - | - | - | - |
PÇ-22 | - | - | - | - | - |
PÇ-23 | - | - | - | - | - |
PÇ-24 | - | - | - | - | - |
PÇ-25 | - | - | - | - | - |
PÇ-26 | - | - | - | - | - |
PÇ-27 | - | - | - | - | - |
PÇ-28 | - | - | - | - | - |
PÇ-29 | - | - | - | - | - |
PÇ-30 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
Hafta | Konular | Ön Hazırlık |
---|---|---|
1 | Giriş: Kapsam ve Amaçlar | Chapter 1 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. |
2 | Boyut İndirgeme 1 | Chapter 1 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. Jon Shlens, "A TUTORIAL ON PRINCIPAL COMPONENT ANALYSIS,Derivation, Discussion and Singular Value Decomposition, 25 March 2003 |
3 | Boyut İndirgeme 2 | U. Sakarya, “Semi-supervised Dimension Reduction Approaches Integrating Global and Local Pattern Information”, Signal, Image and Video Processing, vol. 13, no. 1, pp. 171-178, 2019, (DOI: 10.1007/s11760-018-1342-5). U. Sakarya, “Dimension Reduction Using Global and Local Pattern Information Based Maximum Margin Criterion”, Signal, Image and Video Processing, vol. 10, no. 5, pp. 903-909, July 2016. (doi: 10.1007/s11760-015-0838-5) P. Belhumeur, J. Hespanha, and D. Kriegman, “Eigenfaces vs. Fishe |
4 | Öznitelik Seçme ve Öznitelik Çıkarma | Chapter 2 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. Chapter 5 in S. Theodoridis, K. Koutroumbas, “Pattern Recognition”, 4th Edition, Academic Press, 2008. Chapter 7 in S. Theodoridis, K. Koutroumbas, “Pattern Recognition”, 4th Edition, Academic Press, 2008. U. Sakarya, “Videolarda İçerik Dizinleme Amaçlı Çizge Kuramsal Sahne Sezme”, Doktora Tezi, Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Elektroni |
5 | Bayesçi Karar Teorisi 1: Bayes Karar Kuralı | Chapter 2 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. |
6 | Bayesçi Karar Teorisi 2: Parametre Tahmini | Chapter 3 and Chapter 4 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. |
7 | Topaklama 1 | Chapter 3.9, Chapter 10 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. |
8 | Ara Sınav 1 | |
9 | Ara Sınav | |
10 | K En Yakın Komşu Sınıflandırıcısı (KNN) ve Saklı Markov Modelleri (HMM) | Chapter 3.10, Chapter 4.5 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. |
11 | Doğrusal Ayraç Fonksiyonları | Chapter 5 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. |
12 | Destekçi vektör makinaları (SVM) ve Gelişmiş Konular: Genetik Algoritma, Genetik Programlama, Başarı Arttırma, Adaboost | Chapter 5.11 in H.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. A Wiley-Interscience Publication, John Wiley & Sons, Inc., 2001. Cortes, C. and Vapnik, V. 1995. Support Vector Network. Machine learning, 20, 273-297. Melgani, F. and Bruzzone, L., 2004. Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing, Aug, 42(8), pp. 1778-1790. Chapter 7.5, Chapter 7.6, Chapter 9.5.2 in H.O. Duda, P.E. Har |
13 | Çoklu algılayıcılı sistemlerde örüntü tanıma uygulamaları | Relevant literature |
14 | Öğrenciler Tarafından Yapılan Projelerin Sunumları ve Savunmaları (Çoklu algılayıcılı sistemlerde örüntü tanıma uygulamaları projesi) | |
15 | Final |
Değerlendirme Sistemi
Etkinlikler | Sayı | Katkı Payı |
---|---|---|
Devam/Katılım | ||
Laboratuar | ||
Uygulama | ||
Arazi Çalışması | ||
Derse Özgü Staj | ||
Küçük Sınavlar/Stüdyo Kritiği | ||
Ödev | 2 | 20 |
Sunum/Jüri | ||
Projeler | 1 | 20 |
Seminer/Workshop | ||
Ara Sınavlar | 1 | 20 |
Final | 1 | 40 |
Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
Final Sınavının Başarı Notuna Katkısı | ||
TOPLAM | 100 |
AKTS İşyükü Tablosu
Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
---|---|---|---|
Ders Saati | 13 | 3 | |
Laboratuar | |||
Uygulama | |||
Arazi Çalışması | |||
Sınıf Dışı Ders Çalışması | 13 | 6 | |
Derse Özgü Staj | |||
Ödev | 2 | 14 | |
Küçük Sınavlar/Stüdyo Kritiği | |||
Projeler | 1 | 30 | |
Sunum / Seminer | |||
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
Toplam İşyükü : | |||
Toplam İşyükü / 30(s) : | |||
AKTS Kredisi : |
Diğer Notlar | Yok |
---|