Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKA UYGULAMALARIMIS4223571Bahar Dönemi2+234
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüZorunlu
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 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Yapay zekâ, makine öğrenmesi ve derin öğrenme kavramlarını sınıflandırır.1, 5, Anlatım YöntemiYazılı Sınav
Veri setlerindeki eksik ve hatalı verileri belirler.1, 5, Anlatım YöntemiYazılı Sınav
Temel makine öğrenmesi algoritmalarıyla sınıflandırma ve tahmin modelleri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Derin öğrenme modellerinin (özellikle CNN) performansını değerlendirir.1, 5, Anlatım YöntemiYazılı Sınav
Aşırı öğrenme problemlerini analiz eder.1, 5, Anlatım YöntemiYazılı Sınav
Yapay zekâ modellerini gerçek dünya problemlerine uygun bir çözüm yaklaşımıyla tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Açıklanabilir yapay zekâ (XAI) teknikleriyle model kararlarını yorumlar.1, 5, Anlatım YöntemiYazılı Sınav
Yapay zekâ uygulamalarının etik, güvenlik ve işletme süreçleri üzerindeki etkilerini değerlendirir.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 zekâya giriş ve temel kavramlar
2Python ile veri analizi ve yapay zekâ 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
10Evrişimli sinir ağları (CNN)
11Doğal dil işleme (NLP) uygulamaları
12Açıklanabilir yapay zekâ (XAI)
13Proje geliştirme süreçleri ve veri seti analizi
14Öğrenci proje sunumları ve uygulama değerlendirmeleri
15Yapay zekâ eğilimleri, etik ve güvenlik değerlendirmeleri
16Genel 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
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 UYGULAMALARIMIS4223571Bahar Dönemi2+234
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüZorunlu
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 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Yapay zekâ, makine öğrenmesi ve derin öğrenme kavramlarını sınıflandırır.1, 5, Anlatım YöntemiYazılı Sınav
Veri setlerindeki eksik ve hatalı verileri belirler.1, 5, Anlatım YöntemiYazılı Sınav
Temel makine öğrenmesi algoritmalarıyla sınıflandırma ve tahmin modelleri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Derin öğrenme modellerinin (özellikle CNN) performansını değerlendirir.1, 5, Anlatım YöntemiYazılı Sınav
Aşırı öğrenme problemlerini analiz eder.1, 5, Anlatım YöntemiYazılı Sınav
Yapay zekâ modellerini gerçek dünya problemlerine uygun bir çözüm yaklaşımıyla tasarlar.1, 5, Anlatım YöntemiYazılı Sınav
Açıklanabilir yapay zekâ (XAI) teknikleriyle model kararlarını yorumlar.1, 5, Anlatım YöntemiYazılı Sınav
Yapay zekâ uygulamalarının etik, güvenlik ve işletme süreçleri üzerindeki etkilerini değerlendirir.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 zekâya giriş ve temel kavramlar
2Python ile veri analizi ve yapay zekâ 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
10Evrişimli sinir ağları (CNN)
11Doğal dil işleme (NLP) uygulamaları
12Açıklanabilir yapay zekâ (XAI)
13Proje geliştirme süreçleri ve veri seti analizi
14Öğrenci proje sunumları ve uygulama değerlendirmeleri
15Yapay zekâ eğilimleri, etik ve güvenlik değerlendirmeleri
16Genel 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
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

Bilgi / Destek Butonu