|
|
| JDZL7310 | Advanced Classification Algorithms | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Doktora | | Yazılım Şekli | Seçmeli | | Bölümü | HARİTA MÜHENDİSLİĞİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Doç. Dr. Esra TUNÇ GÖRMÜŞ | | Diğer Öğretim Üyesi | | | Öğretim Dili | İngilizce | | Staj | Yok | | | | Dersin Amacı: | | Bu ders uydulardan elde edilen uzaktan algılanmış görüntüleri sınıflandırarak tematik bilgi çıkaran en son ve en popüler sınıflandırma algoritmalarının matematik modellerini ve teorisini açıklamayı amaçlar. |
| Program Kazanımları | BPKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | PK - 1 : | Uydu görüntülerini sınıflandırarak tematik harita üretebilir | 1,2,5 | 1,3, | | PK - 2 : | En güncel ve doğru sonuç veren sınıflandırma algoritmalarının teorik altyapısını öğrenir | 1,2 | 1, | | PK - 3 : | Sınıflandırma algoritmalarını Matlab kodlarını yorumlayarak ve gerektiğinde bunları modifiye ederek kendi başlarına koşturmayı öğrenir | 5,6 | 1,3, | | PK - 4 : | Sınıflandırma sonuçlarının doğruluk analizlerinin nasıl yapılacağını öğrenir | 1,2 | 1,3, | | BPKK :Bölüm program kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),PK : Öğrenim Kazanımı | | |
| Bu ders en popüler ileri sınıflandırma algoritmalarının teorisini, bu algoritmaların Matlab kodları ve Erdas Imagine, Envi, Ecognition gibi yazılımlarla çeşitli uygulamalarını içerir. |
| |
| Haftalık Detaylı Ders İçeriği | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Sınıflandırma kavramına giriş. Piksel tabanlı ve nesne tabanlı sınıflandırma kavramları. Kontrollü ve kontrolsüz sınıflandırma kavramları. Parametrik ve non-parametrik sınıflandırma kavramları. | | | Hafta 2 | Dijital görüntü, piksel, bant, çok bantlı görüntü ve hiper bantlı görüntü kavramları. Çok bantlı görüntü sınıflandırma kavramı ve çıktılarının kullanım alanları. | | | Hafta 3 | Kontrolsüz sınıflandırma. K-means ve ISODATA algoritmları | | | Hafta 4 | Kontrollü sınıflandırma tekniği | | | Hafta 5 | Klasik sınıflandırma algoritmaları: En yakın mesafe, parallelpiped ve en çok benzerlik sınıflandırma algoritmaları | | | Hafta 6 | Obje tabanlı görüntü sınıflandırma kavramı. Çoklu çözünürlüklü bölütleme, en yakı komşu sınıflandırma algoritması | | | Hafta 7 | Karar ağaçları | | | Hafta 8 | Yapay sinir ağları | | | Hafta 9 | Ara sınav | | | Hafta 10 | Makine öğrenmesi ve çoklu öğrenme sınıflandırma tekniği | | | Hafta 11 | Torbalama ve hızlandırma yöntemleri | | | Hafta 12 | Rastgele orman sınıflandırma algoritması | | | Hafta 13 | Destek vektör makineleri | | | Hafta 14 | Sınıflandırma sonrası doğruluk analizi | | | Hafta 15 | Sınıflandırma sonrası doğruluk analizi | | | Hafta 16 | Final Sınavı | | | |
| 1 | John A. & Richards, 2013; Remote Sensing Digital Image Analysis: An Introduction (Fifth Edition), Springer | | | 2 | Liu, J., G. & Mason, P. 2009; Essential Image Processing and GIS for Remote Sensing. Wiley-Blackwell. | | | 3 | Mather, P. M. 2004; Computer Processing of Remotely-Sensed Images: An Introduction (Third Edition). Wiley. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 8 | | 1 | 30 | | Ödev | 12 | | | 20 | | Dönem sonu sınavı | 16 | | 1 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 3 | 9 | 27 | | Arasınav için hazırlık | 8 | 2 | 16 | | Arasınav | 1 | 1 | 1 | | Ödev | 4 | 4 | 16 | | Dönem sonu sınavı için hazırlık | 8 | 2 | 16 | | Dönem sonu sınavı | 1 | 1 | 1 | | Diğer 1 | 3 | 14 | 42 | | Toplam Çalışma Yükü | | | 161 |
|