Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| YAPAY ZEKA UYGULAMALARI | MIS4222350 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Ders slaytları ve eğitmen notları, Python (TensorFlow, PyTorch, Scikit-learn) dokümantasyonu, Jupyter Notebook ortamı, Google Colab (bulut tabanlı uygulamalar için), GitHub açık kaynak projeleri, Kaggle veri kümeleri ve yarışmaları, çevrimiçi eğitim platformları ve akademik yayınlar. |
| Dersin Amacı | Bu 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 İçeriği | Bu 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 ,Ara Sınav ,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 ,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zeka, makine öğrenimi ve derin öğrenme kavramlarını sınıflandırır. | 1, 5, Anlatım Yöntemi | |
| Veri kümelerindeki eksik ve hatalı verileri belirler. | 1, 5, Anlatım Yöntemi | |
| Temel makine öğrenimi algoritmalarını kullanarak sınıflandırma ve tahmin modelleri geliştirir. | 1, 5, Anlatım Yöntemi | |
| Derin öğrenme modellerini, özellikle evrişimsel sinir ağlarını (CNN) değerlendirir. | 1, 5, Anlatım Yöntemi | |
| Model performansındaki aşırı uyum sorunlarını analiz eder. | 1, 5, Anlatım Yöntemi | |
| Yapay zeka modellerini kullanarak gerçek dünya sorunları için uygun çözüm yaklaşımını tasarlar. | 1, 5, Anlatım Yöntemi | |
| Açıklanabilir yapay zeka (XAI) tekniklerini kullanarak model kararlarını yorumlar. | 1, 5, Anlatım Yöntemi | |
| Yapay zeka uygulamalarının etik, güvenlik ve iş süreçleri üzerindeki etkilerini değerlendirir. | 1, 5, Anlatım Yöntemi |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zekaya giriş ve temel kavramlar | |
| 2 | Python ile veri analizi ve AI ortamlarının kurulumu | |
| 3 | Veri ön işleme ve özellik mühendisliği | |
| 4 | Denetimli öğrenme algoritmaları | |
| 5 | Denetimsiz öğrenme algoritmaları | |
| 6 | Model değerlendirme ve performans metrikleri | |
| 7 | Derin öğrenmeye giriş | |
| 8 | Ara Sınav | |
| 9 | Yapay sinir ağları ve eğitim süreçleri | |
| 10 | Evrişimsel sinir ağları (CNN) | |
| 11 | Doğal dil işleme (NLP) uygulamaları | |
| 12 | Açıklanabilir yapay zeka (XAI) | |
| 13 | Proje geliştirme süreçleri ve veri seti analizi | |
| 14 | Öğrenci proje sunumları ve uygulama değerlendirmeleri | |
| 15 | Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Goodfellow, I., Bengio, Y., Courville, A. (2016). Derin Öğrenme. MIT Press. 2. Géron, A. (2019). Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi (2. Baskı). O’Reilly Media. 3. Russell, S., Norvig, P. (2020). Yapay Zekâ: Modern Bir Yaklaşım (4. Baskı). Pearson. 4. Python Software Foundation. (t.y.). Python Dokümantasyonu. https://docs.python.org 5. TensorFlow. (t.y.). TensorFlow Dokümantasyonu. https://www.tensorflow.org/learn |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | X | |||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (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
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| YAPAY ZEKA UYGULAMALARI | MIS4222350 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Ders slaytları ve eğitmen notları, Python (TensorFlow, PyTorch, Scikit-learn) dokümantasyonu, Jupyter Notebook ortamı, Google Colab (bulut tabanlı uygulamalar için), GitHub açık kaynak projeleri, Kaggle veri kümeleri ve yarışmaları, çevrimiçi eğitim platformları ve akademik yayınlar. |
| Dersin Amacı | Bu 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 İçeriği | Bu 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 ,Ara Sınav ,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 ,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zeka, makine öğrenimi ve derin öğrenme kavramlarını sınıflandırır. | 1, 5, Anlatım Yöntemi | |
| Veri kümelerindeki eksik ve hatalı verileri belirler. | 1, 5, Anlatım Yöntemi | |
| Temel makine öğrenimi algoritmalarını kullanarak sınıflandırma ve tahmin modelleri geliştirir. | 1, 5, Anlatım Yöntemi | |
| Derin öğrenme modellerini, özellikle evrişimsel sinir ağlarını (CNN) değerlendirir. | 1, 5, Anlatım Yöntemi | |
| Model performansındaki aşırı uyum sorunlarını analiz eder. | 1, 5, Anlatım Yöntemi | |
| Yapay zeka modellerini kullanarak gerçek dünya sorunları için uygun çözüm yaklaşımını tasarlar. | 1, 5, Anlatım Yöntemi | |
| Açıklanabilir yapay zeka (XAI) tekniklerini kullanarak model kararlarını yorumlar. | 1, 5, Anlatım Yöntemi | |
| Yapay zeka uygulamalarının etik, güvenlik ve iş süreçleri üzerindeki etkilerini değerlendirir. | 1, 5, Anlatım Yöntemi |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zekaya giriş ve temel kavramlar | |
| 2 | Python ile veri analizi ve AI ortamlarının kurulumu | |
| 3 | Veri ön işleme ve özellik mühendisliği | |
| 4 | Denetimli öğrenme algoritmaları | |
| 5 | Denetimsiz öğrenme algoritmaları | |
| 6 | Model değerlendirme ve performans metrikleri | |
| 7 | Derin öğrenmeye giriş | |
| 8 | Ara Sınav | |
| 9 | Yapay sinir ağları ve eğitim süreçleri | |
| 10 | Evrişimsel sinir ağları (CNN) | |
| 11 | Doğal dil işleme (NLP) uygulamaları | |
| 12 | Açıklanabilir yapay zeka (XAI) | |
| 13 | Proje geliştirme süreçleri ve veri seti analizi | |
| 14 | Öğrenci proje sunumları ve uygulama değerlendirmeleri | |
| 15 | Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Goodfellow, I., Bengio, Y., Courville, A. (2016). Derin Öğrenme. MIT Press. 2. Géron, A. (2019). Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi (2. Baskı). O’Reilly Media. 3. Russell, S., Norvig, P. (2020). Yapay Zekâ: Modern Bir Yaklaşım (4. Baskı). Pearson. 4. Python Software Foundation. (t.y.). Python Dokümantasyonu. https://docs.python.org 5. TensorFlow. (t.y.). TensorFlow Dokümantasyonu. https://www.tensorflow.org/learn |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | X | |||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |