E-posta: edirik@uludag.edu.tr Tel: (224) 294 0655 Adres: Elektronik Mühendisliği Bölümü 4. Kat, No:425
18
Dersin Web Adresi:
http://home.uludag.edu.tr/~edirik
19
Dersin Amacı
Bilgisayarda görme ve nesne tanıma konusuna ait bilgi sahibi olunması, bu alanda beceri ve yeteneklerinin geliştirilmesi, bağımsız araştırma ve çalışmalarla bu beceri ve yeteneklerin bilgisayarda görme ve nesne tanıma problemlerinde kullanılabilmesi, öğrencilerin iletişim, zaman ve proje yönetimi becerilerinin geliştirilmesi.
20
Dersin Mesleki Gelişime Katkısı:
21
Ders Öğrenme Kazanımları
1
Kuramsal ve uygulamalı bilgileri bilgisayarda görü ve örüntü tanıma alanındaki mühendislik problemlerinin modellenmesinde ve çözümünde uygulayabilme;
2
Bilgisayarda görü ve örüntü tanıma alanında karşılaşılan karmaşık mühendislik problemlerini uygun analiz ve modelleme yöntemlerini seçerek saptayabilme, tanımlayabilme, formüle edebilme ve çözebilme;
3
Bilgisayarda görü ve örüntü tanıma alanında karşılaşılan karmaşık bir sistemi, süreci, gerçekçi kısıtlar ve koşullar altında modern tasarım yöntemlerini uygulayarak tasarlayabilme ;
4
Bilişim teknolojilerinden etkin bir biçimde faydalanarak bilgisayarda görü ve örüntü tanıma uygulamaları için modern teknik ve araçları geliştirebilme, seçebilme ve kullanabilme;
5
Bilgisayarda görü ve örüntü tanıma alanındaki mühendislik problemlerinin incelenmesi için veri toplayabilme ve sonuçları analiz ederek yorumlayabilme;
22
Dersin İçeriği
Hafta
Teori
Uygulama
1
İzdüşümsel geometri ve perspektif izdüşüm, matematiksel temeller.
2
Geometrik dönüşümler , Affine dönüşüm ve görüntü işleme uygulaması
3
Eğri ve yüzey belirleme
4
Ayrıt algılama ve çevre çıkarma (Edge dedection and contour extraction)
5
İki-boyutlu sayısal filtreler ve ayrıt algılama.
6
Alan bölümleme. Aydınlatma ve gölgeleme.
7
Sınıflama (classification) ve tanıma (recognition) kavramları.
8
Deterministik ve istatistiksel öğrenme, çok boyutlu olasılık yoğunluk fonksiyonları.
9
Yıl İçi Sınavı ve Genel tekrar
10
Eğiticili (supervised) ve eğiticisiz (unsupervised) öğrenme.
11
Bayes , Maximumlikelihood öğrenme yöntemleri ve algoritmaları
12
İstatistiksel hata analizi
13
k-nn (kth nearest neighboor) öğrenme ve sınıflama algoritması.
1. Algorithms for Image Processing and Computer Vision , J. R. Parker , McGraw Hill, 2002 2. Handbook of Pattern Recognition & Computer Vision ,C. H. Chen (Editor), L. F. Pau (Editor), Patrick S. P. Wang (Editor) , Prentice Hall ,2001 3.Pattern Recognition and Machine Learning (Information Science and Statistics), Christopher M. Bishop Pentice Hall, 2007)
24
Değerlendirme
YARIYIL İÇİ ÇALIŞMALARI
SAYISI
KATKI YÜZDESİ
Ara Sınav
1
30
Kısa Sınav
0
0
Ödev
1
20
Yıl sonu Sınavı
1
50
Toplam
3
100
Yıl içi çalışmalarının Başarıya Oranı
50
Finalin BAşarıya Oranı
50
Toplam
100
Derste Kullanılan Ölçme ve Değerlendirme Yaklaşımları
Açıklama
25
AKTS / İŞ YÜKÜ TABLOSU
Etkinlik
SAYISI
Süresi [Saat]
Toplam İş Yükü [Saat]
Teorik Dersler
14
3
42
Uygulamalı Dersler
0
0
0
Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, pekiştirme)
14
4
56
Ödevler
1
5
5
Projeler
1
20
20
Arazi Çalışmaları
0
0
0
Arasınavlar
1
15
15
Diğer
0
0
0
Yarıyıl Sonu Sınavları
1
27
27
Toplam İş Yükü
165
Toplam İş Yükü / 30 saat
5,5
Dersin AKTS Kredisi
5,5
26
PROGRAM YETERLİLİKLERİ İLE DERS ÖĞRENİN KAZANIMLARI İLİŞKİSİ TABLOSU
