| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Doğal Dil İşleme | SWE 420 | 7 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi BEYZA EKEN |
| Dersi Verenler | Dr.Öğr.Üyesi BEYZA EKEN, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Doğal dil işlemenin (NLP) temel kavramlarını, yöntemlerini ve uygulama alanlarını öğretmek; öğrencilerin metin verisi üzerinde dilsel ön işleme, sınıflandırma, istatistiksel modelleme ve anlamsal temsil tekniklerini anlayıp uygulayabilmelerini sağlamaktır. Ders, modern doğal dil işleme sistemlerinin arkasındaki olasılıksal ve sinir ağı tabanlı yaklaşımlara giriş yaparak, öğrencilere hem teorik temelleri hem de pratik becerileri kazandırmayı hedefler. |
| Dersin İçeriği | Doğal dil işlemenin kapsamı ve uygulama alanlarına genel bakış. Temel kavramlar, dilbilimsel temeller ve dil işleme zorlukları. Metin ön işleme, kelime ve n-gram temsilleri, metin sınıflandırma yöntemleri (Naive Bayes, Lojistik Regresyon). Duygu analizi uygulamaları. Anlamsal temsil yöntemleri (TF-IDF, word2vec). Dizi etiketleme yöntemleri (POS etiketleme, ad varlık tanıma) ve gizli Markov modelleri. Sinir ağı temelli dil modelleri, anlamsal vektör temsilleri ve makine çevirisine giriş. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Doğal dil işlemenin temel kavramlarını, kapsamını ve uygulama alanlarını açıklar | Deney ve Laboratuvar, | |
| 2 | Metin ön işleme, sözcük temsilleri ve istatistiksel dil modelleri gibi temel NLP yöntemlerini uygular. | ||
| 3 | Naive Bayes ve lojistik regresyon algoritmalarını kullanarak metin sınıflandırma modelleri geliştirir ve değerlendirir. | ||
| 4 | TF-IDF, word2vec ve GloVe gibi anlamsal temsil tekniklerini açıklar ve uygulayabilir. | ||
| 5 | Dizi etiketleme yöntemlerini (HMM, NER, POS tagging) açıklar ve küçük ölçekli uygulamalar gerçekleştirir. | ||
| 6 | Yapay sinir ağlarının temel prensiplerini ve NLP’deki kullanım alanlarını tanımlar. | ||
| 7 | Makine çevirisi gibi ileri NLP uygulamalarının çalışma prensiplerini açıklar. | ||
| 8 | NLP modellerinin performansını uygun ölçütlerle (doğruluk, F1, precision, recall) değerlendirir. | ||
| 9 | Bir NLP projesi tasarlayıp veri ön işleme, model eğitimi ve sonuç sunumu aşamalarını yürütür. | ||
| 10 | Etik, toplumsal ve dilsel önyargı konularında farkındalık geliştirir ve NLP uygulamalarında bunları gözetir. |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Course introduction, Overview of NLP | |
| 2 | Basic text processing, Edit distance algorithm | |
| 3 | Text classification with Naive Bayes | |
| 4 | Text classification with Logistic Regression | |
| 5 | Applications of text classification: sentiment analysis | |
| 6 | N-grams, Language models | |
| 7 | Meaning representations: TF-IDF, word2vec, glove | |
| 8 | Midterm | |
| 9 | Student Projects Demo and Presentation | |
| 10 | Sequence labeling: hidden markov models | |
| 11 | Applications of sequence labeling: named entity recognition, pos tagging | |
| 12 | Neural networks | |
| 13 | Machine translation | |
| 14 | Student Projects Demo and Presentation |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | Natural Language Processing, Jacob Eisenstein, 2018. Speech and Language Processing, Jurafsky & Martin, 3rd Ed. Draft, 2024. Foundations Of Statistical Natural Language Processing, Manning & Shütze, MIT Press, 1999. |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi. | X | |||||
| 2 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | X | |||||
| 3 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | X | |||||
| 4 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | X | |||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. | X | |||||
| 6 | Bilişim Teknolojilerinin yönetim, denetim, gelişim ve güvenliği/güvenilirliği hakkında bilgi sahibi olma ve farkındalık. | ||||||
| 7 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | X | |||||
| 8 | 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 becerisi. | ||||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. | ||||||
| 10 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | ||||||
| 11 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | ||||||
| 12 | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Doğal dil işlemenin temel kavramlarını, kapsamını ve uygulama alanlarını açıklar | ||||||||||||
| 2 | Metin ön işleme, sözcük temsilleri ve istatistiksel dil modelleri gibi temel NLP yöntemlerini uygular. | ||||||||||||
| 3 | Naive Bayes ve lojistik regresyon algoritmalarını kullanarak metin sınıflandırma modelleri geliştirir ve değerlendirir. | ||||||||||||
| 4 | TF-IDF, word2vec ve GloVe gibi anlamsal temsil tekniklerini açıklar ve uygulayabilir. | ||||||||||||
| 5 | Dizi etiketleme yöntemlerini (HMM, NER, POS tagging) açıklar ve küçük ölçekli uygulamalar gerçekleştirir. | ||||||||||||
| 6 | Yapay sinir ağlarının temel prensiplerini ve NLP’deki kullanım alanlarını tanımlar. | ||||||||||||
| 7 | Makine çevirisi gibi ileri NLP uygulamalarının çalışma prensiplerini açıklar. | ||||||||||||
| 8 | NLP modellerinin performansını uygun ölçütlerle (doğruluk, F1, precision, recall) değerlendirir. | ||||||||||||
| 9 | Bir NLP projesi tasarlayıp veri ön işleme, model eğitimi ve sonuç sunumu aşamalarını yürütür. | ||||||||||||
| 10 | Etik, toplumsal ve dilsel önyargı konularında farkındalık geliştirir ve NLP uygulamalarında bunları gözetir. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ödev | 8 |
| 1. Ara Sınav | 44 |
| 1. Proje / Tasarım | 24 |
| 2. Proje / Tasarım | 24 |
| Toplam | 100 |
| 1. Final | 30 |
| 1. Yıl İçinin Başarıya | 70 |
| 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 | 10 | 10 |
| Ödev | 1 | 2 | 2 |
| Final | 1 | 10 | 10 |
| Proje / Tasarım | 0 | 20 | 0 |
| Toplam İş Yükü | 118 | ||
| Toplam İş Yükü / 25 (Saat) | 4,72 | ||
| dersAKTSKredisi | 5 | ||