Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
Yapay Zekaya Giriş (Sektör Dersi-Cezeri) | MTA 105 | 0 | 2 + 0 | 2 | 5 |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler | |
Dersin Dili | Türkçe |
Dersin Seviyesi | Lisans |
Dersin Türü | Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üyesi TUĞBA KOÇ |
Dersi Verenler | |
Dersin Yardımcıları | |
Dersin Kategorisi | Diğer |
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 |
Kalkınma Amaçları |
---|
# | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
---|---|---|---|
1 | Python ile veri işleme kütüphanelerini kullanabilir | ||
2 | Python ile makine öğrenmesi ve derin öğrenme kütüphaneleri konusunda bilgiye sahiptir | ||
3 | Veri işleme, öznitelik çıkarımı konularında bilgiye sahiptir | ||
4 | Veri görselleştirme ve elindeki veriyi anlama konusunda beceri kazanır | ||
5 | Makine öğrenmesi algoritmaları hakkında bilgi kazanır | ||
6 | Derin öğrenme modelleri konusunda teknik bilgiye sahiptir | ||
7 | Verisine uygun modelleri seçme konusunda beceri kazanır | ||
8 | Yapay zeka modellerinin çıktılarını doğru şekilde analiz edebilir. | ||
9 | Yapay zeka modellerinin sonuçlarına göre modellerin parametre ayarlarını uygun şekilde yapar |
Hafta | Ders Konuları | Ön Hazırlık |
---|---|---|
1 | Python Temelleri | |
2 | Numpy Kütüphanesi | |
3 | Pandas Kütüphanesi, Matplotlib Kütüphanesi | |
4 | Datanın hazırlanması, temizlenmesi ve işlenmesi | |
5 | Makine öğrenmesi regresyon modelleri (Linear-Multiple-Polynomial Regression, Decision Tree Regression, Random Forest Regression) | |
6 | Makine öğrenmesi regresyon modelleri (Linear-Multiple-Polynomial Regression, Decision Tree Regression, Random Forest Regression) | |
7 | Makine öğrenmesi sınıflandırma modelleri (K-Neirest Neighbour (KNN), Support Vector Machine (SVM), Naive Bayes, Decision Tree, Random Forest) | |
8 | ARA SINAV | |
9 | Değerlendirme metrikleri ve hata fonksiyonları | |
10 | Logistic Regression (Computation Graph, Initializing Parameters, Forward Propagation, Backward Propagation, Implementing Logistic Regression with Python, Implementing Logistic Regression with Sklearn) | |
11 | Logistic Regression (Computation Graph, Initializing Parameters, Forward Propagation, Backward Propagation, Implementing Logistic Regression with Python, Implementing Logistic Regression with Sklearn) | |
12 | Artificial Neural Network (Computation Graph, Initializing Parameters, Forward Propagation, Loss, Cost Function, Backward Propagation, Updata Parameters, Create Model, L-Layer Neural Network, L-Layer Neural Network with Keras) | |
13 | Convolutional Neural Network (Same Padding, Max Pooling, Fully Connected Network, Implementing with Keras, Create Model, Optimizer, Compiler, Batch and Epoch, Data Augmentation, Fitting Model,Evaluate Model) | |
14 | FİNAL |
Kaynaklar | |
---|---|
Ders Notu | |
Ders Kaynakları | Artificial Intelligence A Modern Approach, S.Russell, P.Norvig Machine Learning Yearning, A. Ng Deep Learning, I. Goodfellow, Y.Bengio, A.Courville |
# | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı |
---|---|
1 | Python ile veri işleme kütüphanelerini kullanabilir |
2 | Python ile makine öğrenmesi ve derin öğrenme kütüphaneleri konusunda bilgiye sahiptir |
3 | Veri işleme, öznitelik çıkarımı konularında bilgiye sahiptir |
4 | Veri görselleştirme ve elindeki veriyi anlama konusunda beceri kazanır |
5 | Makine öğrenmesi algoritmaları hakkında bilgi kazanır |
6 | Derin öğrenme modelleri konusunda teknik bilgiye sahiptir |
7 | Verisine uygun modelleri seçme konusunda beceri kazanır |
8 | Yapay zeka modellerinin çıktılarını doğru şekilde analiz edebilir. |
9 | Yapay zeka modellerinin sonuçlarına göre modellerin parametre ayarlarını uygun şekilde yapar |
Değerlendirme Sistemi | |
---|---|
Yarıyıl Çalışmaları | Katkı Oranı |
1. Ara Sınav | 100 |
Toplam | 100 |
1. Final | 60 |
1. Yıl İçinin Başarıya | 40 |
Toplam | 100 |
AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
---|---|---|---|
Ara Sınav | 1 | 25 | 25 |
Final | 1 | 30 | 30 |
Ödev | 1 | 15 | 15 |
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 2 | 32 |
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 1 | 16 |
Toplam İş Yükü | 118 | ||
Toplam İş Yükü / 25 (Saat) | 4,72 | ||
Dersin AKTS Kredisi | 5 |