R ile Uygulamalı Makine Öğrenmesi

Gün

Başlık

Süre

Açıklama (İçerik)

1

Makine öğrenmesinde temel kavramlar

1 saat

Eğitim ve test verisi

Denetimli ve denetimsiz öğrenme

“Overfitting” ve “underfitting” kavramları

Sınıflama doğruluğu

1

R yazılımının temelleri

1 saat

Özgür yazılım olarak R

Kütüphaneler

IDE türleri ve RStudio

1

R’nin temel bileşenleri

1 saat

Nesneler

Veri operatörleri

Veri çeşitleri

1

Veriyi içe ve dışa aktarma

1 saat

Çalışma alanının seçilmesi

RStudio ile veriyi içe ve dışa aktarmada: Farklı metotların tanıtımı ve uygulanması

1

R’de veri düzenleme

1.5 saat

Veri setlerinin manipüle edilerek analize hazır hale getirilmesi

1

Denetimli öğrenme yöntemleri:Regresyon

1,5 saat

Doğrusal regresyonun kuramsal anlatımı

Doğrusal regresyona dayalı makine öğrenmesi uygulamaları

1-2

Denetimli öğrenme yöntemleri: Lojistik regresyon

1,5 saat

Lojistik regresyonun kuramsal anlatımı

Lojistik regresyona dayalı makine öğrenmesi uygulamaları

2

Denetimli öğrenme yöntemleri: k-en yakın komşular yöntemi (knn)

1,5 saat

knn’nin kuramsal anlatımı

knn’ye dayalı makine öğrenmesi uygulamaları

2

Denetimli öğrenme yöntemleri: Destek vektör makineleri

1,5 saat

Destek vektör makineleri’nin kuramsal anlatımı

Destek vektör makineleri’ye dayalı makine öğrenmesi uygulamaları

2

Denetimli öğrenme yöntemleri: Karar ağaçları

1,5 saat

Karar agaçları’nın kuramsal anlatımı

Karar ağaçlarına dayalı makine öğrenmesi uygulamaları

2

Denetimli öğrenme yöntemleri: Karar agaçları-Rassal orman

1,5 saat

Karar ağaçları ile yapılan uygulamaların rassal orman ile tekrarlanması ve modele katkısının test edilmesi

2

Denetimsiz öğrenme yöntemleri: k-ortalamalar

1,5 saat

k-ortalamalar yönteminin kuramsal anlatımı

Makine öğrenmesine dayalı k-ortalamalar uygulamaları