| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Yapay Zeka Algoritmaları | MAT 212 | 4 | 3 + 1 | 4 | 5 |
| Ön Koşul Dersleri | Programlamaya Giriş, Bilgisayara Giriş |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Dr.Öğr.Üyesi EMRE KİŞİ |
| Dersi Verenler | Dr.Öğr.Üyesi EMRE KİŞİ, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Yapay Zeka Algoritmaları dersi, öğrencilere yapay zeka alanında kullanılan temel algoritmaları tanıtmayı ve bu algoritmaların çeşitli problemler üzerinde nasıl uygulandığını öğretmeyi amaçlamaktadır. Bu ders, öğrencilere yapay zeka algoritmalarının temel prensiplerini, algoritmaların nasıl geliştirildiğini ve optimize edildiğini anlamalarını sağlayacak ve onlara kendi yapay zeka projelerini geliştirme yetkinliği kazandıracaktır. |
| Dersin İçeriği | Giriş ve Temel Kavramlar Arama Algoritmaları Oyun ve Karar Algoritmaları Makine Öğrenimi Temelleri Doğrusal Regresyon ve Lojistik Regresyon Karar Ağaçları ve Ansambl Yöntemleri Destek Vektör Makineleri (SVM) K-En Yakın Komşu (K-NN) ve Naive Bayes
Kümelendirme Algoritmaları
Boyut Azaltma Teknikleri Yapay Sinir Ağları ve Derin Öğrenme |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Yapay zeka ve makine öğrenimi kavramlarını tanımlayabileceklerdir. | ||
| 2 | Temel yapay zeka algoritmalarının çalışma prensiplerini açıklayabileceklerdir | ||
| 3 | Çeşitli yapay zeka algoritmalarını uygulayarak problemlere çözümler geliştirebileceklerdir | ||
| 4 | Algoritmaların performansını değerlendirme ve optimize etme becerisine sahip olacaklardır | ||
| 5 | Yapay zeka algoritmalarını kullanarak projeler geliştirebilecek ve bu projeleri analiz edebileceklerdir | ||
| 6 | Yapay zeka alanındaki etik ve toplumsal etkileri tartışabileceklerdir |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Giriş ve Temel Kavramlar | |
| 2 | Arama Algoritmaları | |
| 3 | Oyun ve Karar Algoritmaları | |
| 4 | Makine Öğrenimi Temelleri | |
| 5 | Doğrusal Regresyon ve Lojistik Regresyon | |
| 6 | Doğrusal Regresyon ve Lojistik Regresyon | |
| 7 | Karar Ağaçları ve Ansambl Yöntemleri | |
| 8 | Destek Vektör Makineleri (SVM) | |
| 9 | K-En Yakın Komşu (K-NN) ve Naive Bayes | |
| 10 | Kümelendirme Algoritmaları | |
| 11 | Boyut Azaltma Teknikleri | |
| 12 | Yapay Sinir Ağları ve Derin Öğrenme | |
| 13 | Yapay Sinir Ağları ve Derin Öğrenme | |
| 14 | Proje Çalışmaları |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | 1. S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 3rd ed. Upper Saddle River, NJ, USA: Prentice Hall, 2010. 2. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016. 3. Massachusetts Institute of Technology, "Artificial Intelligence," MIT OpenCourseWare. [Online]. Available: https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/. |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Ortaöğretimde kazanılan yeterlilikler üzerine kurulan matematik ile ilgili materyalleri kullanarak, ileri düzeyde bilgi donanımına sahip olur. | X | |||||
| 2 | Matematik bilimindeki kavramları, teorileri ve verileri, bilimsel yöntemlerle değerlendirerek, karşılaşılan problem ve konuları belirler ve analiz eder, tartışmalar yapar, kanıta ve araştırmalara dayalı öneriler geliştirir. | X | |||||
| 3 | Matematik lisans konularında ileri düzey çalışmaları bağımsız olarak veya paydaşlarıyla ortaklaşa yürütebilecek yeterliliğe sahip olur. | X | |||||
| 4 | Matematik bilimindeki bilgileri takip edebilecek ve meslektaşları ile iletişim kurabilecek düzeyde bir yabancı dil bilgisine sahip olur. | X | |||||
| 5 | Matematik biliminin gerektirdiği düzeyde bilgisayar yazılımı bilgisine sahip olur. | X | |||||
| 6 | Matematik bilimi ile ilgili verilerin toplanması, yorumlanması, duyurulması aşamalarında toplumsal, bilimsel ve etik değerlere sahip olur. | X | |||||
| 7 | Güncel problemlerin matematik modellerini yaparak çözümleme yeteneğine sahip olur. | X | |||||
| 8 | Soyut düşünme yeteneğini kullanır. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 |
|---|---|---|---|---|---|---|---|---|---|
| 1 | Yapay zeka ve makine öğrenimi kavramlarını tanımlayabileceklerdir. | ||||||||
| 2 | Temel yapay zeka algoritmalarının çalışma prensiplerini açıklayabileceklerdir | ||||||||
| 3 | Çeşitli yapay zeka algoritmalarını uygulayarak problemlere çözümler geliştirebileceklerdir | ||||||||
| 4 | Algoritmaların performansını değerlendirme ve optimize etme becerisine sahip olacaklardır | ||||||||
| 5 | Yapay zeka algoritmalarını kullanarak projeler geliştirebilecek ve bu projeleri analiz edebileceklerdir | ||||||||
| 6 | Yapay zeka alanındaki etik ve toplumsal etkileri tartışabileceklerdir |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 70 |
| 1. Proje / Tasarım | 30 |
| Toplam | 100 |
| 1. Final | 50 |
| 1. Yıl İçinin Başarıya | 50 |
| 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 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Ara Sınav | 1 | 12 | 12 |
| Proje / Tasarım | 1 | 8 | 8 |
| Final | 1 | 12 | 12 |
| Toplam İş Yükü | 128 | ||
| Toplam İş Yükü / 25 (Saat) | 5,12 | ||
| dersAKTSKredisi | 5 | ||