GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| FBYZR7053 | Modern Tavsiye Sistemleri I | Ders | 1 | 1 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
**Aim (EN):** Equip students with the core concepts and practical skills to design, evaluate, and deploy recommender systems. Students will learn offline/online evaluation, data splitting and cold-start handling, content-based and KNN methods, graph models (LightGCN), re-ranking, bias/long-tail mitigation, exploration (bandits), and serving/MLOps—culminating in a small end-to-end project. **Amaç (TR):** Öğrencilere öneri sistemlerini tasarlama, değerlendirme ve üretime alma konularında temel kavramlar ve pratik beceriler kazandırmak. Öğrenciler; çevrimdışı/çevrimiçi değerlendirme, veri bölme ve soğuk başlangıç, içerik tabanlı ve KNN yöntemleri, grafik modeller (LightGCN), yeniden sıralama, yanlılık/uzun-kuyruk azaltma, keşif (bandit’ler) ve servisleme/MLOps konularını öğrenip uçtan uca küçük bir proje ile uygulayacaktır.
Dersi Veren Öğretim Görevlisi Görevlileri
Dr.Ogr.U. Ramazan Esmeli
Öğrenme Çıktıları
| 1 | Model kurma ve değerlendirme: İçerik tabanlı, KNN ve LightGCN tabanlı modelleri uygular; Precision/Recall@k, NDCG, MRR ve çeşitlilik/coverage metrikleriyle popülerlik tabanlı baseline’a karşı karşılaştırır. |
| 2 | Yeniden sıralama ve yanlılık analizi: Bir reranker (ör. DIN/DeepFM veya LambdaRank) eğitir; NDCG@k ve kapsama üzerinde etkisini raporlar; popularity/exposure bias ve long-tail metriklerini ölçer ve iyileştirme stratejileri sunar. |
| 3 | Servisleme ve MLOps: Aday getirme için ANN/FAISS ile bir servis kurar, modeli Docker ile paketler ve bir REST API yayımlar; günlükleme/izleme kurar, basit bir A/B testi tasarlar ve başarı ölçütlerini tanımlar. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
N/A
Dersin İçeriği
Kullanım senaryoları (film, e-ticaret, haber), explicit vs. implicit geri bildirim, çevrimdışı vs. çevrimiçi farkı Değerlendirme metrikleri: Precision/Recall@k, NDCG, MRR, çeşitlilik/coverage Veri bölme mantığı: train/valid/test (zaman temelli), soğuk başlangıç (kullanıcı/ürün) İçerik tabanlı öneri: özellik çıkarımı (etiket/tür → TF-IDF), kosinüs benzerliği, kullanıcı profili Komşuluk yöntemleri: user-/item-based KNN, benzerlik (cosine/Jaccard), normalizasyon, top-k komşu Grafik tabanlı yöntemler: LightGCN temelleri, oversmoothing, kenar örnekleme Yeniden sıralama ve listwise öğrenme: retrieval → reranker, DIN/DeepFM, Wide&Deep/DCN, LambdaRank/ListNet Yanlılık, uzun-kuyruk ve adalet: popularity/exposure bias, off-policy değerlendirme (IPS/SNIPS/DR), long-tail reweighting Keşif stratejileri: bandit yaklaşımları (ε-greedy, Thompson Sampling, slate öneri), offline politika değerlendirme Servisleme ve MLOps: feature store, embedding/ANN servisleme, A/B test tasarımı, shadow deployment, izleme & drift En iyi uygulamalar ve anti-pattern’ler; üretim ipuçları; açık araştırma problemleri; final proje demoları ve geri bildirim
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Kullanım senaryoları (film, e-ticaret, haber); explicit vs. implicit geri bildirim; çevrimdışı vs. çevrimiçi farkı | ||
| 2 | Değerlendirme metrikleri: Precision/Recall@k, NDCG, MRR, çeşitlilik/coverage | ||
| 3 | Veri bölme: train/valid/test (zaman temelli); soğuk başlangıç (kullanıcı/ürün) | ||
| 4 | İçerik tabanlı öneri: özellik çıkarımı (etiket/tür → TF-IDF), kosinüs benzerliği, kullanıcı profili | ||
| 5 | Komşuluk yöntemleri: user-/item-based KNN, cosine/Jaccard, normalizasyon, top-k komşu | ||
| 6 | Grafik tabanlı yöntemler: LightGCN temelleri, oversmoothing, kenar örnekleme | ||
| 7 | Yeniden sıralama & listwise öğrenme: retrieval reranker, DIN/DeepFM, Wide&Deep/DCN, LambdaRank/ListNet | ||
| 8 | Yanlılık, uzun-kuyruk & adalet: popularity/exposure bias, off-policy (IPS/SNIPS/DR), long-tail reweighting | ||
| 9 | Keşif stratejileri: bandit yaklaşımları (ε-greedy, Thompson Sampling, slate öneri), offline değerlendirme | ||
| 10 | Servisleme & MLOps: feature store, embedding/ANN servisleme, A/B test, shadow deployment, izleme & drift | ||
| 11 | En iyi uygulamalar, anti-pattern’ler, prod ipuçları; açık araştırma problemleri | ||
| 12 | Proje kliniği: veri/özellik pipeline , metriklerin doğrulanması, hata analizine giriş | ||
| 13 | Odevlerin kontrolu | ||
| 14 | Kazanimlarin tartisilmasi ve ders kapanisi |
Ders Kitabı Malzemesi Önerilen Kaynaklar
N/A
Planlanan Öğrenme Aktiviteleri ve Metodları
N/A
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ev Ödevi | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Makale Yazma | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
N/A
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Makale Yazma | 1 | 60 | 60 |
| Ev Ödevi | 3 | 20 | 60 |
| Toplam İş Yükü (saat) | 120 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | |
| ÖÇ 1 | 5 | 5 | 4 | 5 | 4 | 3 | 4 | 5 | 5 | 4 | 4 | 4 | 4 | 5 | 3 | 4 |
| ÖÇ 2 | 5 | 5 | 4 | 5 | 4 | 3 | 4 | 5 | 5 | 4 | 4 | 4 | 4 | 5 | 3 | 4 |
| ÖÇ 3 | 5 | 5 | 4 | 5 | 4 | 3 | 4 | 5 | 5 | 4 | 4 | 4 | 4 | 5 | 3 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek