| 1 | Giriş ve Temel Kavramlar: Sinyal türleri, ön işleme, gürültü azaltma, normalizasyon | [1] Böl. 1–3 s.1–60; [2] Böl. 1–2 s.1–75 |
| 2 | Öznitelik Kavramı: Zaman, frekans ve zaman-frekans düzleminde öznitelikler | [3] Böl. 2–3 s.30–90; [4] s.1–20; [1] Böl. 10–13 |
| 3 | Zaman-Domain Öznitelik Çıkarımı: Ortalama, varyans, zero-crossing rate, RMS, entropi | [1] Böl. 11–12 s.173–195; [2] Böl. 4 s.120–150 |
| 4 | Frekans-Domain Öznitelik Çıkarımı: FFT, PSD, spektral entropi, enerji yoğunluğu | [1] Böl. 8–9 s.130–165; [2] Böl. 5 s.165–210; [5] s.35–45 |
| 5 | Zaman-Frekans Analizleri: STFT, Wavelet Dönüşümü, Hilbert-Huang dönüşümü | [6] Böl. 4–6 s.90–200; [7] Böl. 2–5 s.25–100 |
| 6 | İstatistiksel Öznitelikler ve Öznitelik Seçimi: PCA, LDA, ICA, t-SNE, mutual information, correlation | [4] Böl. 12 s.551–574; [3] Böl. 4–5 s.93–130; [5] Böl. 3–4 |
| 7 | Klasik Sınıflayıcılar: K-NN, Naive Bayes, LDA, SVM | [4] Böl. 1, 4, 5 s.1–150; [5] Böl. 2–3 s.45–110; [3] Böl. 5–6 |
| 8 | Ensemble Yöntemler: Random Forest, Gradient Boosting, AdaBoost | [4] s.586–588 , [8] s.521–530 |
| 9 | Derin Özellikler ve Temsiller: Otokodlayıcılar, CNN tabanlı öznitelik çıkarımı | [8] Böl. 14 s.503–542; [4] s.598–603 |
| 10 | Derin Öğrenme ile Sınıflama: MLP, CNN, RNN mimarileri ile sınıflama | [8] Böl. 6, 9, 10 s.195–250, 331–370, 387–414 |
| 11 | Bölütleme Temelleri: K-means, Otsu yöntemi, thresholding teknikleri | [9] Böl. 10 s.715–748 |
| 12 | Sinyal ve Görüntü Tabanlı Bölütleme: Edge-based, region-based segmentation, Watershed | [9] Böl. 10.3–10.5 s.748–770 |
| 13 | Modern Segmentasyon Yöntemleri: U-Net, Mask R-CNN, Transformer tabanlı segmentasyon | [8] Böl. 15 |
| 14 | Güncel yöntemler (Makale incelemesi) | [10] |