Ders Bilgileri (Course Catalog)
Kod (Code) Ders Adı (Course Name) Dili (Language) Türü (Type)
EHB 328E
Machine Learning for Signal Processing
İngilizce (English) Seçmeli (Elective)
Kredi (Local Credits) AKTS (ECTS) Ders (Theoretical) Uygulama (Tutorial) Labaratuvar (Laboratory)
3 5 3 0 0
Dersin Önşartı ve Sınıf Kısıtı (Course Prerequisites and Class Restriction)
Ders Önşartı (Prerequisites) (MAT 271 MIN DD
veya/or MAT 271E MIN DD)

ve/and (MAT 281 MIN DD
veya/or MAT 281E MIN DD)

Sınıf Kısıtı (Class Restriction) Yok/None
Ders Tanımı (Course Description)
Ders kapsamı şu başlıkları içerecektir: Veri güdümlü gösterimler. Temel Bileşen Analizi (TBA) ve Çekirdek TBA. Bağımsız Bileşen Analizi. Negatif olmayan Matris Faktörizasyonu. Sözlük tabanlı, seyrek ve aşırı-tam veri gösterimleri. Düşük ranklı matris gösterimleri. Regresyon ve doğrusal kestirim. Olasılıksal Dereceli Azalma ve LMS uyarlamalı süzgeçler. Kümeleme ve sınıflandırma. Sinirsel ağlar. Evrişimsel sinirsel ağlar, bu ağların işaret ve görüntü işleme uygulamaları. Ders önkoşulu olarak, iyi derecede olasılık teorisi, doğrusal cebir ve işaret ve sistemler teorisi bilgisi gerekmektedir. Ders dönem projesi ve ödevleri yazılım tabanlı benzetimler gerektirecektir.

The course will include the following topics: Data-driven representations. Principal Component Analysis (PCA) and Kernel PCA. Independent Component Analysis (ICA). Non-negative matrix factorization (NMF). Dictionary based, sparse and overcomplete data representations. Low rank matrix representations. Regression and Linear prediction. Stochastic Gradient Descent and LMS adaptive filters. Clustering and Classification. Neural Networks. Convolutional networks and applications to signal and image processing. A good knowledge of probability theory, linear algebra and signals and systems theory is a prerequisite for the course. The term project and homework will necessitate software simulations.