| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Yapay Zeki ve Veri Blimine Giriş | VBY 503 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Dr.Öğr.Üyesi MERVE ŞİŞCİ |
| Dersi Verenler | Dr.Öğr.Üyesi MERVE ŞİŞCİ, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | |
| Dersin İçeriği |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Yapay zekâ ve veri biliminin temel kavramlarını, alt alanlarını ve uygulama alanlarını açıklar. | Ödev / Evde-Çöz Sınavlar, | |
| 2 | Veri ön işleme, modelleme ve değerlendirme aşamalarını içeren makine öğrenmesi uygulamaları geliştirir. | Ödev / Evde-Çöz Sınavlar, | |
| 3 | Veri bilimi süreçlerinde Python veya benzeri bir dilde temel kütüphaneleri (ör. NumPy, pandas, scikit-learn) kullanarak uygulama geliştirir. | Ödev / Evde-Çöz Sınavlar, Performans Değerlendirme, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Giriş ve Temel Kavramlar | |
| 2 | Veri Bilimi İçin Python | |
| 3 | Makine Öğrenmesi | |
| 4 | Tanımlayıcı İstatistik | |
| 5 | Veri Görselleştirme | |
| 6 | Veri Önişleme | |
| 7 | Regresyon | |
| 8 | Arasınav | |
| 9 | Sınıflandırma | |
| 10 | Kümeleme | |
| 11 | Öneri Sistemleri | |
| 12 | Duygu Analizi için İstatistiksel Doğal Dil İşleme | |
| 13 | Proje Sunumları | |
| 14 | Proje Sunumları |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | |
| 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. | X | |||||
| 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. | ||||||
| 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 ço | ||||||
| 6 | Bilgi ve İletişim Teknolojileri konularında ileri uygulamaları yapacak düzeyde genişlemesine ve derinlemesine bilgi sahibidir. | ||||||
| 7 | Tanımlanmış bilgi ve iletişim teknolojileri problemlerini çözmek için yöntem geliştirir ve bu yenilikçi yöntemleri uygular. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 |
|---|---|---|---|---|---|---|---|---|
| 1 | Yapay zekâ ve veri biliminin temel kavramlarını, alt alanlarını ve uygulama alanlarını açıklar. | |||||||
| 2 | Veri ön işleme, modelleme ve değerlendirme aşamalarını içeren makine öğrenmesi uygulamaları geliştirir. | |||||||
| 3 | Veri bilimi süreçlerinde Python veya benzeri bir dilde temel kütüphaneleri (ör. NumPy, pandas, scikit-learn) kullanarak uygulama geliştirir. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ödev | 100 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 40 |
| 1. Final | 60 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|