| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Yapay Zeka | ELE 518 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Doç.Dr. MUHAMMED KÜRŞAD UÇAR |
| Dersi Verenler | Doç.Dr. MUHAMMED KÜRŞAD UÇAR, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Yapay zeka konusunda teknik bilgi sahibi olabilmek ve mühendislik alanında uygulayarak problemlere çözüm üretebilmektir. |
| Dersin İçeriği | 1. Yapay Zeka Giriş 2. Makine Öğrenmesi, Yapay Zeka ve Derin Öğrenme 3. Sınıflandırma Algoritmaları 4. Sınıflandırma Algoritmaları Performans Değerlendirme Kriterleri 5. Matlab Tabanlı Sınıflandırma Uygulamaları 6. Regresyon Algoritmaları 7. Regresyon Algoritmaları Performans Değerlendirme Kriterleri 8. Matlab Tabanlı Regresyon Uygulamaları |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Yapay zekâ temellerini öğrenmek | Anlatım, | |
| 2 | Yapay zekâ ile problem çözme sürecini tasarlamayı öğrenmek | Tartışma, Anlatım, | |
| 3 | Yapay zekâ sınıflandırma algoritmalarını öğrenmek | Tartışma, Anlatım, | |
| 4 | Yapay zekâ sınıflandırma algoritmaları performansını test etmeyi öğrenmek | Tartışma, Anlatım, | |
| 5 | Yapay zekâ regresyon algoritmalarını öğrenmek | Tartışma, Anlatım, | |
| 6 | Yapay zekâ regresyon algoritmaları performansını test etmeyi öğrenmek | Tartışma, Anlatım, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Yapay Zeka Giriş | |
| 2 | Makine Öğrenmesi, Yapay Zeka ve Derin Öğrenme | |
| 3 | Sınıflandırma Algoritmaları | |
| 4 | Sınıflandırma Algoritmaları | |
| 5 | Sınıflandırma Algoritmaları Performans Değerlendirme Kriterleri | |
| 6 | Sınıflandırma Algoritmaları Performans Değerlendirme Kriterleri | |
| 7 | Matlab Tabanlı Sınıflandırma Uygulamaları | |
| 8 | Matlab Tabanlı Sınıflandırma Uygulamaları | |
| 9 | Regresyon Algoritmaları | |
| 10 | Regresyon Algoritmaları | |
| 11 | Regresyon Algoritmaları Performans Değerlendirme Kriterleri | |
| 12 | Regresyon Algoritmaları Performans Değerlendirme Kriterleri | |
| 13 | Matlab Tabanlı Regresyon Uygulamaları | |
| 14 | Matlab Tabanlı Regresyon Uygulamaları |
| Kaynaklar | |
|---|---|
| Ders Notu | Haftalık Paylaşım Yapılacaktır. |
| Ders Kaynakları | Ian Witten Eibe Frank Mark Hall Christopher Pal “Data Mining, Practical Machine Learning Tools and Techniques” https://www.sciencedirect.com/book/9780128042915/data-mining Chris AldrichLidia Auret, “Unsupervised Process Monitoring and Fault Diagnosis with Machine Learning Methods” https://link.springer.com/book/10.1007/978-1-4471-5185-2 |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır. | ||||||
| 2 | Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular. | ||||||
| 3 | Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır. | X | |||||
| 4 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | ||||||
| 5 | Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 |
|---|---|---|---|---|---|---|
| 1 | Yapay zekâ temellerini öğrenmek | |||||
| 2 | Yapay zekâ ile problem çözme sürecini tasarlamayı öğrenmek | |||||
| 3 | Yapay zekâ sınıflandırma algoritmalarını öğrenmek | |||||
| 4 | Yapay zekâ sınıflandırma algoritmaları performansını test etmeyi öğrenmek | |||||
| 5 | Yapay zekâ regresyon algoritmalarını öğrenmek | |||||
| 6 | Yapay zekâ regresyon algoritmaları performansını test etmeyi öğrenmek |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 25 |
| 1. Proje / Tasarım | 75 |
| Toplam | 100 |
| 1. Final | 40 |
| 1. Yıl İçinin Başarıya | 60 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Ara Sınav | 1 | 7 | 7 |
| Proje / Tasarım | 1 | 7 | 7 |
| Ödev | 2 | 7 | 14 |
| Final | 1 | 9 | 9 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 4 | 64 |
| Toplam İş Yükü | 149 | ||
| Toplam İş Yükü / 25 (Saat) | 5,96 | ||
| Dersin AKTS Kredisi | 6 | ||