Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKÂ METODOLOJİSİYBSYL1222779Bahar Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiTezli Yüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu dersin amacı, öğrencilere makine öğrenmesi, derin öğrenme ve veri odaklı modelleme tekniklerini kullanarak gerçek dünya problemlerine yönelik çözüm geliştirme becerisi kazandırmak ve karar destek sistemleri tasarlamalarını desteklemektir. Ders kapsamında öğrencilerin yapay zeka algoritmalarını uygun veri kümeleri üzerinde uygulamaları, elde edilen sonuçları analiz ederek yorumlamaları, yapay zeka uygulamalarını işletme süreçleri ile entegre etmeleri ve etik, veri gizliliği ile güvenlik ilkelerini dikkate alarak çözüm geliştirmeleri hedeflenmektedir.
Dersin İçeriğiBu ders; Yapay zekaya giriş ve temel kavramlar,Python ile veri analizi ve AI ortamlarının kurulumu,Veri ön işleme ve özellik mühendisliği,Denetimli öğrenme algoritmaları,Denetimsiz öğrenme algoritmaları,Model değerlendirme ve performans metrikleri,Derin öğrenmeye giriş,Yapay sinir ağları ve eğitim süreçleri,Evrişimsel sinir ağları (CNN),Doğal dil işleme (NLP) uygulamaları,Açıklanabilir yapay zeka (XAI),Proje geliştirme süreçleri ve veri seti analizi,Öğrenci proje sunumları ve uygulama değerlendirmeleri,Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Yapay zeka, makine öğrenmesi ve derin öğrenme yaklaşımlarını farklı problem alanları açısından karşılaştırarak değerlendirir.1, 5, Anlatım YöntemiYazılı Sınav
Veri kalitesini etkileyen eksik, hatalı ve tutarsız verileri analiz ederek uygun veri ön işleme stratejileri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Makine öğrenmesi yöntemlerini kullanarak karmaşık iş problemlerine yönelik tahmin ve sınıflandırma modelleri tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Derin öğrenme modellerinin performansını farklı ölçütler ve veri kümeleri üzerinden değerlendirerek yorumlar.1, 5, Anlatım YöntemiYazılı Sınav
Aşırı öğrenme ve yetersiz öğrenme problemlerini analiz ederek model iyileştirme yöntemleri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Gerçek dünya problemlerine yönelik yapay zeka tabanlı karar destek sistemleri tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Açıklanabilir yapay zeka (XAI) tekniklerini kullanarak model kararlarını yorumlar.1, 5, Anlatım YöntemiYazılı Sınav
Yapay zeka uygulamalarının etik, güvenlik, veri gizliliği ve yönetsel etkilerini eleştirel bir bakış açısıyla değerlendirerek çözüm önerileri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Yapay zekaya giriş ve temel kavramlar
2Python ile veri analizi ve AI ortamlarının kurulumu
3Veri ön işleme ve özellik mühendisliği
4Denetimli öğrenme algoritmaları
5Denetimsiz öğrenme algoritmaları
6Model değerlendirme ve performans metrikleri
7Derin öğrenmeye giriş
8Yapay sinir ağları ve eğitim süreçleri
9Evrişimsel sinir ağları (CNN)
10Doğal dil işleme (NLP) uygulamaları
11Açıklanabilir yapay zeka (XAI)
12Proje geliştirme süreçleri ve veri seti analizi
13Öğrenci proje sunumları ve uygulama değerlendirmeleri
14Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri
Kaynak
1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4. Baskı). Pearson. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. Chollet, F. (2021). Deep Learning with Python (2. Baskı). Manning Publications. 4. Prince, S. J. D. (2023). Understanding Deep Learning. MIT Press. 5. Bishop, C. M., & Bishop, H. (2024). Deep Learning: Foundations and Concepts. Springer. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir.
X
2
İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder.
X
3
Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır.
X
4
Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir.
X
5
İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular.
X
6
Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar.
X
7
Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir.
X
8
Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir.
X
9
Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir.
X
10
Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir.
X
11
Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder.
X
12
Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser.
X
13
Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır.
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (Saat)Toplam İş Yükü (Saat)
Toplam İş Yükü (Saat)0
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30)0
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Dersin Detaylı Bilgileri

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKÂ METODOLOJİSİYBSYL1222779Bahar Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiTezli Yüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu dersin amacı, öğrencilere makine öğrenmesi, derin öğrenme ve veri odaklı modelleme tekniklerini kullanarak gerçek dünya problemlerine yönelik çözüm geliştirme becerisi kazandırmak ve karar destek sistemleri tasarlamalarını desteklemektir. Ders kapsamında öğrencilerin yapay zeka algoritmalarını uygun veri kümeleri üzerinde uygulamaları, elde edilen sonuçları analiz ederek yorumlamaları, yapay zeka uygulamalarını işletme süreçleri ile entegre etmeleri ve etik, veri gizliliği ile güvenlik ilkelerini dikkate alarak çözüm geliştirmeleri hedeflenmektedir.
Dersin İçeriğiBu ders; Yapay zekaya giriş ve temel kavramlar,Python ile veri analizi ve AI ortamlarının kurulumu,Veri ön işleme ve özellik mühendisliği,Denetimli öğrenme algoritmaları,Denetimsiz öğrenme algoritmaları,Model değerlendirme ve performans metrikleri,Derin öğrenmeye giriş,Yapay sinir ağları ve eğitim süreçleri,Evrişimsel sinir ağları (CNN),Doğal dil işleme (NLP) uygulamaları,Açıklanabilir yapay zeka (XAI),Proje geliştirme süreçleri ve veri seti analizi,Öğrenci proje sunumları ve uygulama değerlendirmeleri,Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Yapay zeka, makine öğrenmesi ve derin öğrenme yaklaşımlarını farklı problem alanları açısından karşılaştırarak değerlendirir.1, 5, Anlatım YöntemiYazılı Sınav
Veri kalitesini etkileyen eksik, hatalı ve tutarsız verileri analiz ederek uygun veri ön işleme stratejileri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Makine öğrenmesi yöntemlerini kullanarak karmaşık iş problemlerine yönelik tahmin ve sınıflandırma modelleri tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Derin öğrenme modellerinin performansını farklı ölçütler ve veri kümeleri üzerinden değerlendirerek yorumlar.1, 5, Anlatım YöntemiYazılı Sınav
Aşırı öğrenme ve yetersiz öğrenme problemlerini analiz ederek model iyileştirme yöntemleri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Gerçek dünya problemlerine yönelik yapay zeka tabanlı karar destek sistemleri tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Açıklanabilir yapay zeka (XAI) tekniklerini kullanarak model kararlarını yorumlar.1, 5, Anlatım YöntemiYazılı Sınav
Yapay zeka uygulamalarının etik, güvenlik, veri gizliliği ve yönetsel etkilerini eleştirel bir bakış açısıyla değerlendirerek çözüm önerileri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Yapay zekaya giriş ve temel kavramlar
2Python ile veri analizi ve AI ortamlarının kurulumu
3Veri ön işleme ve özellik mühendisliği
4Denetimli öğrenme algoritmaları
5Denetimsiz öğrenme algoritmaları
6Model değerlendirme ve performans metrikleri
7Derin öğrenmeye giriş
8Yapay sinir ağları ve eğitim süreçleri
9Evrişimsel sinir ağları (CNN)
10Doğal dil işleme (NLP) uygulamaları
11Açıklanabilir yapay zeka (XAI)
12Proje geliştirme süreçleri ve veri seti analizi
13Öğrenci proje sunumları ve uygulama değerlendirmeleri
14Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri
Kaynak
1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4. Baskı). Pearson. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. Chollet, F. (2021). Deep Learning with Python (2. Baskı). Manning Publications. 4. Prince, S. J. D. (2023). Understanding Deep Learning. MIT Press. 5. Bishop, C. M., & Bishop, H. (2024). Deep Learning: Foundations and Concepts. Springer. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir.
X
2
İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder.
X
3
Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır.
X
4
Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir.
X
5
İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular.
X
6
Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar.
X
7
Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir.
X
8
Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir.
X
9
Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir.
X
10
Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir.
X
11
Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder.
X
12
Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser.
X
13
Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır.
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu