| 1 | Makine öğrenmesine giriş | |
| 2 | Temel kavramlar: veri, özellik, etiket, model | |
| 3 | Öğrenme türleri: denetimli, denetimsiz, pekiştirmeli | |
| 4 | Doğrusal regresyon ve hata ölçütleri | |
| 5 | Lojistik regresyon ve sınıflandırma | |
| 6 | Karar ağaçları ve random forest algoritmaları | |
| 7 | K-en yakın komşu (KNN) ve Naive Bayes algoritmaları | |
| 8 | Ara sınav | |
| 9 | Kümeleme yöntemleri: K-Means, Hierarchical | |
| 10 | Boyut indirgeme teknikleri (PCA, LDA) | |
| 11 | Model değerlendirme metrikleri (Accuracy, F1, ROC) | |
| 12 | Aşırı öğrenme, çapraz doğrulama ve optimizasyon, sürdürülebilir ve verimli makine öğrenmesi modelleri | |
| 13 | Gerçek veri kümeleriyle uygulamalar, toplumsal fayda ve sürdürülebilirlik odaklı veri analizi örnekleri | |
| 14 | Proje sunumları ve genel değerlendirme | |