TÜRKÇE
ENGLISH
Genel Bilgi
| Kod | MTH001 |
| Ad | Yapay Zekaya Giriş (Cezeri) |
| Yarıyıl | 6. Yarıyıl |
| Süre (T+U) | 2-0 (T-U) (17 Hafta) |
| AKTS | 4 AKTS |
| Yerel Kredi | 2 Yerel Kredi |
| Eğitim Dil | Türkçe |
| Seviye | Lisans Dersi |
| Tür | Normal |
| Öğretim Şekli | Uzaktan Öğretim |
| Bilgi Paketi Koordinatörü | Prof. Dr. CENK ŞAHİN |
Dersin Amacı
Dersin amacı öğrencilere yapay zeka alanındaki temel yöntemler konusunda bilgi sağlamak ve öğrencilerin yapay zeka yöntemlerini pratik problemlerin çözümünde kullanabilme becerisine sahip olmalarını sağlamaktır.
Dersin İçeriği
Python veri yapıları, Numpy dizi operasyonları, Pandas kütüphanesi ile veri analizi uygulamaları, Makine öğrenmesi modelleri ile regresyon ve sınıflandırma uygulamaları, değerlendirme metrikleri, hyperparameter ayarlamaları, yapay sinir ağları, hata fonksiyonları, aktivasyon fonksiyonları, ileri ve geri yayılım işlemleri, derin öğrenme modelleri ile regresyon ve sınıflandırma uygulamaları
Dersin Ön Koşulu
Dersin ön koşulu bulunmamaktadır.
Kaynaklar
Artificial Intelligence A Modern Approach, S.Russell, P.Norvig Machine Learning Yearning, A. Ng Deep Learning, I. Goodfellow, Y.Bengio, A.Courville
Notlar
Açık erişim kaynaklar
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Python programa dilinin temellerini öğrenmek |
| ÖÇ02 | Veri biliminin temel adımlarını anlamak |
| ÖÇ03 | Veri analiz etmeyi ve işlemeyi öğrenmek |
| ÖÇ04 | Makine öğrenmesinde ve derin öğrenmede kullanılan algoritmaların mantalitesini kavramak |
| ÖÇ05 | Yapay sinir ağlarını çalışma prensibini kavramak |
| ÖÇ06 | Yapay zekada farklı problemler için modeller tasarlayabilmek ve farklı modeller kullanarak öğrenme problemlerini çözümlerini gerçeklemek |
| ÖÇ07 | Yapay zeka modellerinin çıktılarını analiz etmeyi ve sonuçlara göre modellerin parametre ayarını yapmayı öğrenmek |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimine sahip olur; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilir. | 5 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | Karmaşık Endüstri Mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisini elde eder; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisine sahip olur. | 5 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlayabilir; bu amaçla modern tasarım yöntemlerini uygulayabilir. | 4 |
| PÖÇ04 | Bilgi - Kuramsal, Olgusal | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirebilir, bilişim teknolojilerini etkin bir şekilde kullanma becerisine sahip olur. | |
| PÖÇ05 | Bilgi - Kuramsal, Olgusal | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlayabilir, veri toplayabilir, sonuçları analiz edebilir ve yorumlama becerisine sahip olur. | |
| PÖÇ06 | Bilgi - Kuramsal, Olgusal | Disiplin içi ve çok disiplinli takımlarda veya bireysel olarak etkin biçimde çalışma becerisine sahip olur. | |
| PÖÇ07 | Beceriler - Bilişsel, Uygulamalı | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisine sahip olur. | |
| PÖÇ08 | Beceriler - Bilişsel, Uygulamalı | Yaşam boyu öğrenmenin gerekliliği bilincine sahip olur; bilim ve teknolojideki gelişmeleri izleyebilir ve kendini sürekli yenileme becerisine sahip olur. | 4 |
| PÖÇ09 | Yetkinlikler - Öğrenme Yetkinliği | Etik ilkelerine uygun davranır, mesleki ve etik sorumluluk bilinciyle mühendislik uygulamalarında kullanılan standartlar hakkında bilgi sahibi olur. | |
| PÖÇ10 | Yetkinlikler - Öğrenme Yetkinliği | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi sahibi olur; girişimcilik, yenilikçilik hakkında farkındalık sahibi olur. | |
| PÖÇ11 | Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi sahibi olur ve mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalığa sahip olur. | |
| PÖÇ12 | Yetkinlikler - Öğrenme Yetkinliği | Meslek hayatında etkili iletişimin gücünden faydalanabilir ve gelişmeleri doğru yorumlama becerisine sahip olur. | |
| PÖÇ13 | Yetkinlikler - Öğrenme Yetkinliği | Makine, zaman, bilgi ve para içeren entegre sistemleri tasarlama, geliştirme, uygulama ve iyileştirme becerisine sahip olur. | 4 |
| PÖÇ14 | Yetkinlikler - Öğrenme Yetkinliği | Maliyet, çevre, sürdürülebilirlik, üretilebilirlik, etik, sağlık, güvenlik ve politik sorunlar gibi gerçekçi koşullar ve kısıtlar altında, modern tasarım, yöntemlerini uygulayarak, karmaşık ürün, süreç, iş, sistem tasarımı yapma, geliştirme, uygulama ve iyileştirme becerisine sahip olur. |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Python Temelleri | Verilen kaynaklar | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama |
| 2 | Numpy Kütüphanesi | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 3 | Pandas Kütüphanesi, Matplotlib Kütüphanesi | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 4 | Datanın hazırlanması, temizlenmesi ve işlenmesi | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 5 | Makine öğrenmesi regresyon modelleri (Linear-Multiple-Polynomial Regression, Decision Tree Regression, Random Forest Regression) | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 6 | Makine öğrenmesi sınıflandırma modelleri (K-Neirest Neighbour (KNN), Support Vector Machine (SVM), Naive Bayes, Decision Tree, Random Forest) | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 7 | Değerlendirme metrikleri ve hata fonksiyonları | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 8 | Ara Sınavlar | Konu ile ilgili kaynakların ve ders notlarının okunması | Ölçme Yöntemleri: Yazılı Sınav |
| 9 | Logistic Regression (Computation Graph, Initializing Parameters, Forward Propagation, Backward Propagation, Implementing Logistic Regression with Python, Implementing Logistic Regression with Sklearn) | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 10 | Backward Propagation, Implementing Logistic Regression with Python, Implementing Logistic Regression with Sklearn) | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 11 | Yapay Sinir Ağları | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 12 | Yapay Sinir Ağları 2 | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 13 | Yapay Sinir Ağları 3 | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 14 | Evrişimli Sinir Ağı | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 15 | Evrişimli Sinir Ağı 2 | Konu ile ilgili kaynakların ve ders notlarının okunması | Öğretim Yöntemleri: Anlatım |
| 16 | Yarıyıl Sonu Sınavları | Konu ile ilgili kaynakların ve ders notlarının okunması | Ölçme Yöntemleri: Yazılı Sınav |
| 17 | Yarıyıl Sonu Sınavları | Konu ile ilgili kaynakların ve ders notlarının okunması | Ölçme Yöntemleri: Yazılı Sınav |
Öğrenci İş Yükü - AKTS
| Çalışmalar | Sayısı | Süresi (Saat) | İş Yükü (Saat) |
|---|---|---|---|
| Ders ile İlgili Çalışmalar | |||
| Ders (Sınav haftaları dahil değildir) | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) | 14 | 3 | 42 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 0 | 0 | 0 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 7 | 7 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 18 | 18 |
| Toplam İş Yükü (Saat) | 109 | ||
| Toplam İş Yükü / 25 (s) | 4,36 | ||
| AKTS | 4 AKTS | ||