Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| YAPAY ZEKA UYGULAMALARI | MIS4223571 | Bahar Dönemi | 2+2 | 3 | 4 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| 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 zekâ algoritmalarını uygun veri kümeleri üzerinde uygulamaları, elde edilen sonuçları analiz ederek yorumlamaları, yapay zekâ uygulamalarını işletme süreçleriyle bütünleştirmeleri ve etik, veri gizliliği ve güvenlik ilkelerini dikkate alarak çözüm geliştirmeleri hedeflenmektedir. |
| Dersin İçeriği | Bu ders; Yapay zekâya giriş ve temel kavramlar,Python ile veri analizi ve yapay zekâ 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,Evrişimli sinir ağları (CNN),Doğal dil işleme (NLP) uygulamaları,Açıklanabilir yapay zekâ (XAI),Proje geliştirme süreçleri ve veri seti analizi,Öğrenci proje sunumları ve uygulama değerlendirmeleri,Yapay zekâ eğilimleri, etik ve güvenlik değerlendirmeleri,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zekâ, makine öğrenmesi ve derin öğrenme kavramlarını sınıflandırır. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri setlerindeki eksik ve hatalı verileri belirler. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Temel makine öğrenmesi algoritmalarıyla sınıflandırma ve tahmin modelleri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Derin öğrenme modellerinin (özellikle CNN) performansını değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Aşırı öğrenme problemlerini analiz eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Yapay zekâ modellerini gerçek dünya problemlerine uygun bir çözüm yaklaşımıyla tasarlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Açıklanabilir yapay zekâ (XAI) teknikleriyle model kararlarını yorumlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Yapay zekâ uygulamalarının etik, güvenlik ve işletme süreçleri üzerindeki etkilerini değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zekâya giriş ve temel kavramlar | |
| 2 | Python ile veri analizi ve yapay zekâ 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 | Evrişimli sinir ağları (CNN) | |
| 11 | Doğal dil işleme (NLP) uygulamaları | |
| 12 | Açıklanabilir yapay zekâ (XAI) | |
| 13 | Proje geliştirme süreçleri ve veri seti analizi | |
| 14 | Öğrenci proje sunumları ve uygulama değerlendirmeleri | |
| 15 | Yapay zekâ eğilimleri, etik ve güvenlik değerlendirmeleri | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4. Baskı). Pearson. 4. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. 5. Chollet, F. (2021). Deep Learning with Python (2. Baskı). Manning Publications. |
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 | MIS4223571 | Bahar Dönemi | 2+2 | 3 | 4 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| 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 zekâ algoritmalarını uygun veri kümeleri üzerinde uygulamaları, elde edilen sonuçları analiz ederek yorumlamaları, yapay zekâ uygulamalarını işletme süreçleriyle bütünleştirmeleri ve etik, veri gizliliği ve güvenlik ilkelerini dikkate alarak çözüm geliştirmeleri hedeflenmektedir. |
| Dersin İçeriği | Bu ders; Yapay zekâya giriş ve temel kavramlar,Python ile veri analizi ve yapay zekâ 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,Evrişimli sinir ağları (CNN),Doğal dil işleme (NLP) uygulamaları,Açıklanabilir yapay zekâ (XAI),Proje geliştirme süreçleri ve veri seti analizi,Öğrenci proje sunumları ve uygulama değerlendirmeleri,Yapay zekâ eğilimleri, etik ve güvenlik değerlendirmeleri,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zekâ, makine öğrenmesi ve derin öğrenme kavramlarını sınıflandırır. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri setlerindeki eksik ve hatalı verileri belirler. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Temel makine öğrenmesi algoritmalarıyla sınıflandırma ve tahmin modelleri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Derin öğrenme modellerinin (özellikle CNN) performansını değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Aşırı öğrenme problemlerini analiz eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Yapay zekâ modellerini gerçek dünya problemlerine uygun bir çözüm yaklaşımıyla tasarlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Açıklanabilir yapay zekâ (XAI) teknikleriyle model kararlarını yorumlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Yapay zekâ uygulamalarının etik, güvenlik ve işletme süreçleri üzerindeki etkilerini değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zekâya giriş ve temel kavramlar | |
| 2 | Python ile veri analizi ve yapay zekâ 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 | Evrişimli sinir ağları (CNN) | |
| 11 | Doğal dil işleme (NLP) uygulamaları | |
| 12 | Açıklanabilir yapay zekâ (XAI) | |
| 13 | Proje geliştirme süreçleri ve veri seti analizi | |
| 14 | Öğrenci proje sunumları ve uygulama değerlendirmeleri | |
| 15 | Yapay zekâ eğilimleri, etik ve güvenlik değerlendirmeleri | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4. Baskı). Pearson. 4. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. 5. Chollet, F. (2021). Deep Learning with Python (2. Baskı). Manning Publications. |
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 | |