İSTANBUL AYDIN ÜNİVERSİTESİ
ISTANBUL AYDIN UNIVERSITY |
| LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ-YAPAY ZEKA VE VERİ BİLİMİ (İngilizce)(YL)(TEZLİ) |
| SINIF: 1 - DÖNEM: 1 |
| Ders Kodu | Ders Adı | DT | T | P | K | ECTS | H.S. | İçerik TR | İçerik ING |
| FBE509E | SCIENTIFIC RESEARCH TECHNIQUES
SCIENTIFIC RESEARCH TECHNIQUES | Z | 3 | 0 | 3.0 | 6.0 | 3 | Araştırmanın felsefesi, yapısı ve araştırma çalışmasının bileşenleri incelenerek, bilimsel araştırma yaklaşımları, teoriye özgü tanımlar, bilimin temel nitelikleri, pozitivizm, hipotez, gözlem, araştırma konusu ve probleminin seçimi, amaç ve önemin ortaya konulması ve araştırma önerisinin oluşturulması gibi bilimselliğe hizmet eden yöntemler açıklanacaktır. Tez yazım kuralları, kaynakça hazırlama, makale ve rapor yazım kuralları ve etik kurallar anlatılacaktır. | Research design
Literature search and review
Scientific writing
Scientific presentation
Critical scientific review
Data types and data collection techniques
Quantitative and qualitative methods and data analyses
Ethical issues |
| SEN501 | CALCULUS FOR DATA SCIENCE
CALCULUS FOR DATA SCIENCE | Z | 3 | 0 | 3.0 | 6.0 | 3 | Bu kurs, öğrencilere materyal aracılığıyla rehberlik etmek için derslere ve bilgisayar laboratuvarlarına, öğrencilere sınıf/küçük grup/bireysel yardım sağlamak için öğretici derslere ve öğrencilerin teknikleri uygulamaları ve öğrenmelerini anlamalarını geliştirmeleri için biçimlendirici değerlendirme fırsatları sağlamak için bir dizi ödeve dayanır. kurs. | This course relies on lectures and computer laboratories to guide students through the material, tutorial classes to provide students with class/small group/individual assistance, and a sequence of assignments to provide formative assessment opportunities for students to practise techniques and develop their understanding of the course. |
| SEN503 | ARTIFICIAL INTELLIGENCE
ARTIFICIAL INTELLIGENCE | Z | 3 | 0 | 3.0 | 6.0 | 3 | Dersler, her konunun temel kavramlarını tanıtacak ve motive edecektir. Dersler sırasında öğrenme deneyimini zenginleştirmek için önemli tartışmalar ve iki yönlü iletişim de beklenmektedir. Küçük bir sınıf ortamında problem çözme ve tartışmalar yoluyla, öğreticiler geri bildirim almak için fırsatlar sunar. Ödevler, problem çözmeye uygulanarak teorik kavramları güçlendirecektir. Bu, programlama çalışması ile yapılacaktır. Derslerde, derslerde ve ödevlerde kapsanan tüm materyaller değerlendirilebilir. | Lectures will introduce and motivate the basic concepts of each topic. Significant discussions and two-way communication are also expected during lectures to enrich the learning experience. Through problem solving and discussions in a small class room setting, tutorials provide opportunities for obtaining feedback. The assignments will reinforce theoretical concepts by their application to problem solving. This will be done via programming work. All material covered in the lectures, tutorials and assignments are assessable. |
| SINIF: 1 - DÖNEM: 2 |
| Ders Kodu | Ders Adı | DT | T | P | K | ECTS | H.S. | İçerik TR | İçerik ING |
| LEE520 | INTRODUCTİON TO THESİS AND SEMİNAR
INTRODUCTİON TO THESİS AND SEMİNAR | Z | 0 | 0 | 0.0 | 12.0 | 0 | Seminerde öğretim, bir tez yazmak için temel metodolojik gereklilikleri ele alacaktır: bibliyografik referansların sunumu, araştırmanın konusunu tanımlama ve bu konunun nasıl ele alınacağına karar verme, kavramsal çerçeve ve referans metodolojisinin seçimi, vb. Pratik tavsiyeler de verilecektir. araştırma stratejileri, süpervizörlerle ilişkiler ve tezleri savunma konularında verilmiştir. İlk oturum bloğu, Avrupa bilgi ve belgelerine erişim ve bunlara danışma konusunda uygulamalı eğitimi içerecektir. | Teaching in the seminar will address the main methodological requirements for writing a thesis: presentation of bibliographical references, defining the subject of the research and deciding how to tackle this subject, choice of a conceptual framework and reference methodology, etc. Practical advice will also be given on research strategies, relations with supervisors, and defending theses. The first block of sessions will include practical training on accessing and consulting European information and documentation. |
| SEN520 | MACHİNE LEARNİNG
MACHİNE LEARNİNG | Z | 3 | 0 | 3.0 | 6.0 | 3 | 1.Makine Öğrenmesine Giriş. İstatistiksel Temeller.
2. Karar Ağacı öğrenme.
3. Yapay Sinir Ağları.
4. Destek Vektör Makineleri.
5. Bayesian Öğrenme.
6. Örnek tabanlı öğrenme.
7. Denetimsiz öğrenme. | 1.Introduction in Machine Learning. Statistical Foundations.
2. Decision Tree learning.
3. Artificial Neural Networks.
4. Support Vector Machines.
5. Bayesian Learning.
6. Instance based learning.
7. Unsupervised learning. |
| SEN515 | ADVANCED DATA MİNİNG
ADVANCED DATA MİNİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | Dersler, laboratuvarlar, ödevler, vaka çalışmaları ve proje çalışması. Laboratuvar çalışması, çok yüksek hesaplama kapasitesine erişim gerektirir. Kurs süresince öğrenciler küçük gruplar halinde çalışırlar. Kurstaki bazı ödevler veya vaka çalışmaları, sektörle ilgili veya sektörle ilgili çalışmaları içerebilir. Öğrenci farklı yöntem ve teknikler kullanır ve her görev için doğru yöntem, teknik veya bilgisayar desteğini seçmek önemlidir. Görevler çözülmeden önce ve sonra, farklı çözümleri sunmak ve tartışmak için dersler vardır. | difference between knowledge and data, methods of preprocessing, model theory and evaluation algorithms such as SVM, nearest neighbor, k-means, random forest, ensemble methods, regression algorithms |
| SEN521 | OPTIMIZATION METHODS
OPTIMIZATION METHODS | S | 3 | 0 | 3.0 | 6.0 | 3 | Doğrusal optimizasyon Sağlam optimizasyon Ağ akışları Ayrık optimizasyon Dinamik optimizasyon Doğrusal olmayan optimizasyon | Linear optimization
Robust optimization
Network flows
Discrete optimization
Dynamic optimization
Nonlinear optimization |
| SEN522 | DIGITAL SIGNAL PROCESSING
DIGITAL SIGNAL PROCESSING | S | 3 | 0 | 3.0 | 6.0 | 3 | Dijital Sinyal İşleme (DSP) alanı gelişmeye ve modern elektronikte merkezi bir rol oynamaya devam ediyor. Aslında, DSP o kadar yaygın ki, alan ayrı bir varlık olarak bir şekilde ortadan kayboluyor. Günümüzde IMAX, HDTV, mp3 oynatıcılar, İnternet ses ve video ve IP üzerinden Ses gibi birçok sistem, temelleri olarak güçlü DSP kavramlarını kullanır. DSP, ayrık zamanlı sistemlerin kapsamlı bir görünümünü aldığımız Sinyaller ve Sistemlerin mantıksal bir uzantısıdır. Kurs, güçlü istatistiksel modelleme algoritmaları aracılığıyla A/D dönüşümünden bir DSP sisteminin temel öğelerini kapsar. | The field of Digital Signal Processing (DSP) continues to evolve and play a central role in modern electronics. In fact, DSP is so ubiquitous that the field is somewhat disappearing as a discrete entity. Many systems today, such as IMAX, HDTV, mp3 players, Internet audio and video, and Voice over IP, use powerful DSP concepts as their foundations. DSP is a logical extension of Signals and Systems in which we take a comprehensive view of discrete-time systems. The course covers the essential elements of a DSP system from A/D conversion through powerful statistical modeling algorithms. |
| SEN524 | BIOINFORMATICS
BIOINFORMATICS | S | 3 | 0 | 3.0 | 6.0 | 3 | Biyoinformatik, moleküler biyoloji, biyofizik, istatistik ve bilgisayar bilimlerini birleştiren hızla gelişen bir alandır. Ders, biyolojik problemleri çözmek için bilgi araçlarını da kullanan biyoinformatik hakkında genel bir bakış sağlar. Konular: veri tabanı araştırması, dizi hizalama, gen tahmini, RNA ve protein yapısı tahmini, filogenetik ağaçların oluşturulması, karşılaştırmalı ve fonksiyonel genomik. | Bioinformatics is a rapidly developing field that integrates molecular biology, biophysics, statistics and computer science. The course provides an overview of bioinformatics that also uses information tools to solve biological problems. Topics: database search, sequence alignment, gene prediction, RNA and protein structure prediction, creation of phylogenetic trees, comparative and functional genomics. |
| SEN528 | BIG DATA
BIG DATA | S | 3 | 0 | 3.0 | 6.0 | 3 | Kurs, tahmine dayalı analitik teknikleri kullanarak Büyük Veriden değer çıkarmaya odaklanarak Büyük Veri olgusuna genel bir bakış sunar. | The course gives an overview of the Big Data phenomenon, focusing then on extracting value
from the Big Data using predictive analytics techniques. |
| SEN529 | PATTERN RECOGNITION
PATTERN RECOGNITION | S | 3 | 0 | 3.0 | 6.0 | 3 | Olasılığın Temelleri, Rastgele Süreçler ve Lineer Cebir Bayes Karar Teorisi Parametre Tahmin Yöntemleri Denetimsiz öğrenme ve kümeleme Sıralı Örüntü Tanıma Yoğunluk tahmini için parametrik olmayan teknikler Boyutsallık azaltma Lineer diskriminant fonksiyonları Örüntü sınıflandırması için metrik olmayan yöntemler | Basics of Probability, Random Processes and Linear Algebra
Bayes Decision Theory
Parameter Estimation Methods
Unsupervised learning and clustering
Sequential Pattern Recognition
Nonparametric techniques for density estimation
Dimensionality reduction
Linear discriminant functions
Non-metric methods for pattern classification |
| SEN530 | ARTİFİCİAL INTELLİGENCE APPLİCATİONS İN HEALTH SCİENCES
ARTİFİCİAL INTELLİGENCE APPLİCATİONS İN HEALTH SCİENCES | S | 3 | 0 | 3.0 | 6.0 | 3 | Sağlık hizmetleri bağlamında, elektronik sağlık kayıtları (EHR'ler) ve "omik" verileri gibi büyük miktarda veri, sağlık sektörünün çeşitli paydaşları (ödeyiciler, sağlayıcılar, ilaçlar) aracılığıyla kullanılabilir hale geldi. | In the context of healthcare, large amounts of data such as electronic health records (EHRs) and “omics”data have become available through various stakeholders of the healthcare industry (payers, providers, pharmaceuticals). |
| SEN531 | ARTIFICAL NEURAL NETWORKS
ARTIFICAL NEURAL NETWORKS | S | 3 | 0 | 3.0 | 6.0 | 3 | Python programlama • Makine öğrenimi temelleri • Sinir ağları • Evrişimli sinir ağları • Tekrarlayan sinir ağları | Python programming
• Machine learning basics
• Neural networks
• Convolutional neural networks
• Recurrent neural networks |
| SEN532 | DEEP LEARNİNG
DEEP LEARNİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | Derin Öğrenmeye Giriş
Doğrusal Regresyon
Doğrusal Regresyonda Hata Fonksiyonu
Lojistik regresyon
ezme işlevi
sigmoid
Çapraz Entropi Kaybı Fonksiyonu | Introduction to Deep Learning
Linear Regression
Error Function in Linear Regression
Logistic Regression
Squashing function
Sigmoid
Cross Entropy Loss Function |
| SEN533 | ADVANCED DISTRIBUTED COMPUTING
ADVANCED DISTRIBUTED COMPUTING | S | 3 | 0 | 3.0 | 6.0 | 3 | Dağıtılmış hesaplama modellerine giriş; Saat senkronizasyonu; Mesaj Sıralama ve Grup İletişimi; Sonlandırma Algılama Algoritmaları; Bilgiyle Akıl Yürütme; Dağıtılmış Karşılıklı Dışlama Algoritmaları; Kilitlenme Tespit Algoritmaları; Küresel Yüklem Algılama; Dağıtılmış Paylaşılan Bellek; Kontrol Noktası ve Geri Alma Kurtarma; Uzlaşma ve Anlaşma; Arıza Dedektörleri; Dağıtılmış dosya sunucuları; Dağıtılmış programlama ortamları: İletişim ilkeleri, seçilmiş vaka çalışmaları. (Not: Kursun belirli tekliflerine uyacak şekilde bazı konular eklenebilir/silinebilir) | Introduction to distributed computing models; Clock synchronization; Message Ordering and Group Commuication; Termination Detection Algorithms; Reasoning with Knowledge; Distributed Mutual Exclusion Algorithms; Deadlock Detection Algorithms; Global Predicate Detection; Distributed Shared Memory; Checkpointing and Rollback Recovery; Consensus and Agreement; Failure Detectors; Distributed file servers; Distributed programming environments: Communication primitives, selected case studies. (Note: Some topics may be added/deleted to suit specific offerings of the course) |
| SEN534 | NATURAL LANGUAGE PROCESSİNG
NATURAL LANGUAGE PROCESSİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | Bu ders, doğal dil işleme için en yaygın olarak kullanılan ve etkili güncel teknikler, stratejiler ve araç takımlarına, öncelikli olarak Python programlama dilinde mevcut olanlara teorik ve metodolojik bir giriş olarak tasarlanmıştır. | This course is intended as a theoretical and methodological introduction to a the most widely
used and effective current techniques, strategies and toolkits for natural language processing,
with a primary focus on those available in the Python programming language. |
| SINIF: 2 - DÖNEM: 1 |
| Ders Kodu | Ders Adı | DT | T | P | K | ECTS | H.S. | İçerik TR | İçerik ING |
| LEE500-3 | MASTER’S THESİS-I
MASTER’S THESİS-I | Z | 0 | 0 | 0.0 | 30.0 | 0 | Tez çalışması aşağıdaki maddeleri içeren öğrenme sürecidir: (1) ilgilenilen konunun tanımlanması ve konuya alışma şeklinde nitelenebilecek inceleme aşaması, data toplama ve işleme ve tez konusunun haklı çıkarılması. Bu süreç, amacı, sınırlılıkları tanımlamayı, çözülecek problem(ler)i ya da elde edilmesi beklenen gelişme(ler)i içerir. (2) öğrencinin toplanan bilginin neyi gösterdiğini ve tezin genel amaçları doğrultusunda bu bilginin neyle ilgili olduğunu dikkate aldığı planlama aşaması. Bu aşama, yapılan literatür taraması sonucunda tez konusuyla ilgili olduğu görülen teorik çerçevenin sunumunu, data toplama ve teoriyi tezin konusuyla bağlantılı hale getirmeye yönelik prosedürleri ve tezin düzgün gelişmesi ve uygulanması için kullanılacak yöntem ve teknikleri içerir. (3) tezi geliştirme işlemlerinin plan ve gelişme süreçlerinin değerlendirilip gözetilmesinin de dikkate alınarak sürdürüldüğü uygulama aşaması, (4) düşünme ve sonuç çıkarmayı içeren değerlendirme aşaması, (5) tezin yazıldığı, düzeltildiği, sunulduğu ve savunulduğu yayın aşaması | Thesis work is a learning process which comprises (1) the analysing phase, characterised by defining a topic of interest for the thesis and familiarisation with it, data collection and processing, and justification of the subject of thesis. This includes objectives, delimitations to be defined, identification of the problem(s) to be solved or development(s) to be achieved; (2) the planning phase, during which the student considers what the information gathered on the subject signifies and is relevant in terms of the objective of the thesis. This includes presentation of the theoretical framework in relation the thesis title based on the results of literature survey, data collection and relate the theory to the topic of thesis and defining the procedures, methods and techniques to be used for proper development and implementation of the thesis work, (3) the implementation phase, where the development tasks are carried out in accordance with the plan and the development process is evaluated and monitored; (4) the evaluation phase, involving deliberation and the drawing of conclusions; and (5) the publication phase, in which the thesis is written, edited, delivered, presented and defended. |
| SINIF: 2 - DÖNEM: 2 |
| Ders Kodu | Ders Adı | DT | T | P | K | ECTS | H.S. | İçerik TR | İçerik ING |
| LEE500-4 | MASTER’S THESİS-II
MASTER’S THESİS-II | Z | 0 | 0 | 0.0 | 30.0 | 0 | Tez çalışması aşağıdaki maddeleri içeren öğrenme sürecidir: (1) ilgilenilen konunun tanımlanması ve konuya alışma şeklinde nitelenebilecek inceleme aşaması, data toplama ve işleme ve tez konusunun haklı çıkarılması. Bu süreç, amacı, sınırlılıkları tanımlamayı, çözülecek problem(ler)i ya da elde edilmesi beklenen gelişme(ler)i içerir. (2) öğrencinin toplanan bilginin neyi gösterdiğini ve tezin genel amaçları doğrultusunda bu bilginin neyle ilgili olduğunu dikkate aldığı planlama aşaması. Bu aşama, yapılan literatür taraması sonucunda tez konusuyla ilgili olduğu görülen teorik çerçevenin sunumunu, data toplama ve teoriyi tezin konusuyla bağlantılı hale getirmeye yönelik prosedürleri ve tezin düzgün gelişmesi ve uygulanması için kullanılacak yöntem ve teknikleri içerir. (3) tezi geliştirme işlemlerinin plan ve gelişme süreçlerinin değerlendirilip gözetilmesinin de dikkate alınarak sürdürüldüğü uygulama aşaması, (4) düşünme ve sonuç çıkarmayı içeren değerlendirme aşaması, (5) tezin yazıldığı, düzeltildiği, sunulduğu ve savunulduğu yayın aşaması | Thesis work is a learning process which comprises (1) the analysing phase, characterised by defining a topic of interest for the thesis and familiarisation with it, data collection and processing, and justification of the subject of thesis. This includes objectives, delimitations to be defined, identification of the problem(s) to be solved or development(s) to be achieved; (2) the planning phase, during which the student considers what the information gathered on the subject signifies and is relevant in terms of the objective of the thesis. This includes presentation of the theoretical framework in relation the thesis title based on the results of literature survey, data collection and relate the theory to the topic of thesis and defining the procedures, methods and techniques to be used for proper development and implementation of the thesis work, (3) the implementation phase, where the development tasks are carried out in accordance with the plan and the development process is evaluated and monitored; (4) the evaluation phase, involving deliberation and the drawing of conclusions; and (5) the publication phase, in which the thesis is written, edited, delivered, presented and defended. |
