| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Yapay Zeka Teknikleri | ADA 290 | 4 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Dr.Öğr.Üyesi ÖMER FARUK SEYMEN |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Öğretim |
| Dersin Amacı | Bu dersin temel amacı, öğrencilere yapay zekanın (YZ) temel kavramlarını, tarihini, uygulama alanlarını tanıtmak ve en yaygın kullanılan YZ tekniklerinin (özellikle Makine Öğrenimi, Derin Öğrenme, Doğal Dil İşleme ve Bilgisayarlı Görü) teorik temellerini ve pratik uygulamalarını göstermektir. Öğrencilerin, basit YZ problemlerini çözmek için uygun araç ve algoritmaları seçebilme ve kullanabilme yeteneğini geliştirmeyi hedefler. |
| Dersin İçeriği | Yapay Zekaya Giriş Problem Çözme Teknikleri Makine Öğrenimine Giriş Denetimli Öğrenme Algoritmaları Denetimsiz Öğrenme Algoritmaları Derin Öğrenmeye Giriş Doğal Dil İşleme (NLP) Temelleri Bilgisayarlı Görü Temelleri Etik ve Yasal Konular |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Yapay zekanın temel kavramlarını, tarihsel gelişimini ve güncel uygulama alanlarını açıklayabilir. | Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, |
| 2 | YZ problemlerini çözmek için kör ve sezgisel arama algoritmaları arasındaki farkları belirleyebilir ve uygun olanı seçebilir. | Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, |
| 3 | Denetimli, denetimsiz ve pekiştirmeli öğrenme paradigmalarını birbirinden ayırt edebilir ve her birinin uygun olduğu problem türlerini örnekleyebilir. | Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, |
| 4 | Temel regresyon ve sınıflandırma algoritmalarını (Lineer Regresyon, Lojistik Regresyon, Karar Ağaçları, K-Means) açıklayabilir ve basit veri setleri üzerinde uygulayabilir. | Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, |
| 5 | Makine öğrenimi modellerinin başarımını değerlendirmek için kullanılan temel metrikleri (Doğruluk, Hassasiyet, Duyarlılık vb.) yorumlayabilir. | Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, |
| 6 | Yapay Sinir Ağlarının (YSA) ve Derin Öğrenmenin temel mimarilerini (ANN, CNN) tanıyarak, bunların temel çalışma prensiplerini ifade edebilir. | Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, |
| 7 | Doğal Dil İşleme (NLP) ve Bilgisayarlı Görü alanındaki temel görevleri ve yöntemleri tanımlayabilir. | Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, |
| 8 | Yapay zeka teknolojilerinin etik, yasal ve toplumsal etkilerini değerlendirebilir. | Beyin Fırtınası, Anlatım, | Kısa Cevaplı Testler, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Yapay Zekaya Giriş | |
| 2 | YZ Problem Çözme Yöntemleri | |
| 3 | Kör Arama Algoritmaları | |
| 4 | Sezgisel (Heuristik) Arama Algoritmaları | |
| 5 | Makine Öğrenimine Giriş | |
| 6 | Denetimli Öğrenme - Regresyon | |
| 7 | Denetimli Öğrenme - Sınıflandırma | |
| 8 | Karar Ağaçları ve Rastgele Ormanlar Algoritmaları. | |
| 9 | Denetimsiz Öğrenme - Kümeleme | |
| 10 | Denetimsiz Öğrenme - Temel Bileşen Analizi (PCA) | |
| 11 | Derin Öğrenmeye Giriş | |
| 12 | Evrişimli Sinir Ağları (CNN) | |
| 13 | Doğal Dil İşleme (NLP) Temelleri | |
| 14 | YZ'nın Etik ve Toplumsal Yönleri |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Alanında edindiği temel düzeydeki kuramsal ve uygulamalı bilgileri aynı alanda bir ileri eğitim düzeyinde veya aynı düzeydeki bir alanda kullanabilme becerileri kazanma. | ||||||
| 2 | Alanında verileri yorumlayabilme ve değerlendirebilme, sorunları tanımlayabilme, analiz edebilme, kanıtlara dayalı çözüm önerileri geliştirebilme | ||||||
| 3 | Alanı ile ilgili temel düzeydeki bir çalışmayı bağımsız olarak yürütebilme ve sorumluluğu altında çalışanların bir proje çerçevesinde gelişimlerine yönelik etkinlikleri yürütebilme. | ||||||
| 4 | Alanında edindiği temel düzeydeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme, öğrenme gereksinimlerini belirleyebilme ve karşılayabilme. | ||||||
| 5 | Öğrenimini aynı alanda bir ileri eğitim düzeyine veya aynı düzeydeki bir mesleğe yönlendirebilme. | ||||||
| 6 | Yaşamboyu öğrenme bilinci kazanmış olma. | ||||||
| 7 | Alanı ile ilgili verilerin toplanması, uygulanması ve sonuçlarının duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerlere sahip olma. | ||||||
| 8 | Alanının gerektirdiği en az Avrupa Bilgisayar Kullanma Lisansı Temel Düzeyinde bilgisayar yazılımı ile birlikte bilişim ve iletişim teknolojilerini kullanabilme. | ||||||
| 9 | sosyal hakların evrenselliği, sosyal adalet, kalite ve kültürel değerler ile çevre koruma, iş sağlığı ve güvenliği konularında yeterli bilince sahip olma. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Yapay zekanın temel kavramlarını, tarihsel gelişimini ve güncel uygulama alanlarını açıklayabilir. | |||||||||
| 2 | YZ problemlerini çözmek için kör ve sezgisel arama algoritmaları arasındaki farkları belirleyebilir ve uygun olanı seçebilir. | |||||||||
| 3 | Denetimli, denetimsiz ve pekiştirmeli öğrenme paradigmalarını birbirinden ayırt edebilir ve her birinin uygun olduğu problem türlerini örnekleyebilir. | |||||||||
| 4 | Temel regresyon ve sınıflandırma algoritmalarını (Lineer Regresyon, Lojistik Regresyon, Karar Ağaçları, K-Means) açıklayabilir ve basit veri setleri üzerinde uygulayabilir. | |||||||||
| 5 | Makine öğrenimi modellerinin başarımını değerlendirmek için kullanılan temel metrikleri (Doğruluk, Hassasiyet, Duyarlılık vb.) yorumlayabilir. | |||||||||
| 6 | Yapay Sinir Ağlarının (YSA) ve Derin Öğrenmenin temel mimarilerini (ANN, CNN) tanıyarak, bunların temel çalışma prensiplerini ifade edebilir. | |||||||||
| 7 | Doğal Dil İşleme (NLP) ve Bilgisayarlı Görü alanındaki temel görevleri ve yöntemleri tanımlayabilir. | |||||||||
| 8 | Yapay zeka teknolojilerinin etik, yasal ve toplumsal etkilerini değerlendirebilir. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 70 |
| 1. Kısa Sınav | 10 |
| 1. Ödev | 20 |
| 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 |
| Ara Sınav | 1 | 3 | 3 |
| Kısa Sınav | 1 | 1 | 1 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Final | 1 | 3 | 3 |
| Ödev | 1 | 12 | 12 |
| Toplam İş Yükü | 115 | ||
| Toplam İş Yükü / 25 (Saat) | 4,6 | ||
| dersAKTSKredisi | 5 | ||