Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKA UYGULAMALARIMIS4222350Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıDers 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 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
,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 KazanımlarıÖğretim YöntemleriÖlçme 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

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
8Ara Sınav
9Yapay sinir ağları ve eğitim süreçleri
10Evrişimsel sinir ağları (CNN)
11Doğal dil işleme (NLP) uygulamaları
12Açıklanabilir yapay zeka (XAI)
13Proje geliştirme süreçleri ve veri seti analizi
14Öğrenci proje sunumları ve uygulama değerlendirmeleri
15Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri

16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
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 ZEKA UYGULAMALARIMIS4222350Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıDers 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 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
,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 KazanımlarıÖğretim YöntemleriÖlçme 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

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
8Ara Sınav
9Yapay sinir ağları ve eğitim süreçleri
10Evrişimsel sinir ağları (CNN)
11Doğal dil işleme (NLP) uygulamaları
12Açıklanabilir yapay zeka (XAI)
13Proje geliştirme süreçleri ve veri seti analizi
14Öğrenci proje sunumları ve uygulama değerlendirmeleri
15Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri

16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu