Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKA UYGULAMALARIRYZ2122304Güz Dönemi2+235
Ders Programı

Pazartesi 08:40-09:30

Pazartesi 09:40-10:30

Pazartesi 10:40-11:30

Pazartesi 11:40-12:30

Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi VerenlerÖğr.Gör. Sinem UYSAL
Dersin YardımcılarıÖğretim Görevlisi Dr. Sinem UYSAL
Dersin AmacıBu dersin amacı; öğrencilerin temel yapay zeka kavramlarını gerçek ve basit uygulama senaryolarında kullanabilmesini, veri hazırlama, model seçme, model eğitme, model değerlendirme ve temel uygulama geliştirme adımlarını uygulamalı olarak öğrenmesini sağlamaktır.
Dersin İçeriğiBu ders; Yapay zeka uygulamalarına giriş; uygulama geliştirme süreci; problem türleri ve örnek kullanım alanları,Python ortamı, temel kütüphaneler ve veri okuma; Jupyter Notebook veya benzeri çalışma ortamı kullanımı,Veri seti yapısı; özellik, hedef değişken, etiket, eğitim ve test verisi kavramları,Veri temizleme ve ön işleme; eksik veri, aykırı değer, ölçekleme ve kategorik verilerin hazırlanması,Sınıflandırma uygulamaları; k-en yakın komşu, karar ağacı ve lojistik regresyon örnekleri,Regresyon uygulamaları; doğrusal regresyon, hata ölçütleri ve model sonucunun yorumlanması,Model değerlendirme; doğruluk, kesinlik, duyarlılık, F1 skoru, karışıklık matrisi ve aşırı öğrenme kavramı,Ara Sınav,Denetimsiz öğrenmeye giriş; kümeleme uygulamaları ve basit veri gruplama örnekleri,Temel yapay sinir ağı uygulamaları; katman, aktivasyon, eğitim ve kayıp fonksiyonu kavramları,Görüntü verisi ile basit yapay zeka uygulamaları; temel sınıflandırma ve sonuç yorumlama,Metin verisi ile basit yapay zeka uygulamaları; metin temizleme, özellik çıkarımı ve sınıflandırma,Sensör veya robotik verisi üzerinde yapay zeka uygulaması; veri toplama, modelleme ve karar üretme mantığı,Basit yapay zeka uygulamasının bütünleştirilmesi; model kaydetme, çalıştırma ve çıktıların raporlanması,Etik, veri gizliliği, model yanlılığı, güvenilirlik ve yapay zeka uygulamalarında temel riskler,Genel Sınav; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Yapay zeka uygulamalarında kullanılan temel kavramları ve uygulama alanlarını açıklar.1, Anlatım Yöntemi1, Yazılı Sınav
2. Basit veri setlerini yapay zeka uygulaması için temizler, düzenler ve ön işleme tabi tutar.1, Anlatım Yöntemi1, Yazılı Sınav
3. Sınıflandırma ve regresyon problemleri için temel makine öğrenmesi modellerini seçer ve uygular.1, Anlatım Yöntemi1, Yazılı Sınav
4. Eğitilen modellerin başarımını doğruluk, hata ve karışıklık matrisi gibi temel ölçütlerle değerlendirir.1, Anlatım Yöntemi1, Yazılı Sınav
5. Görüntü, metin veya sensör verisi üzerinde basit bir yapay zeka uygulamasını geliştirir.1, Anlatım Yöntemi1, Yazılı Sınav
6. Yapay zeka uygulamalarında veri kalitesi, model yanlılığı, etik kullanım ve temel güvenilirlik konularını analiz eder.1, Anlatım Yöntemi1, Yazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Yapay zeka uygulamalarına giriş; uygulama geliştirme süreci; problem türleri ve örnek kullanım alanları
2Python ortamı, temel kütüphaneler ve veri okuma; Jupyter Notebook veya benzeri çalışma ortamı kullanımı
3Veri seti yapısı; özellik, hedef değişken, etiket, eğitim ve test verisi kavramları
4Veri temizleme ve ön işleme; eksik veri, aykırı değer, ölçekleme ve kategorik verilerin hazırlanması
5Sınıflandırma uygulamaları; k-en yakın komşu, karar ağacı ve lojistik regresyon örnekleri
6Regresyon uygulamaları; doğrusal regresyon, hata ölçütleri ve model sonucunun yorumlanması
7Model değerlendirme; doğruluk, kesinlik, duyarlılık, F1 skoru, karışıklık matrisi ve aşırı öğrenme kavramı
8Ara Sınav
9Denetimsiz öğrenmeye giriş; kümeleme uygulamaları ve basit veri gruplama örnekleri
10Temel yapay sinir ağı uygulamaları; katman, aktivasyon, eğitim ve kayıp fonksiyonu kavramları
11Görüntü verisi ile basit yapay zeka uygulamaları; temel sınıflandırma ve sonuç yorumlama
12Metin verisi ile basit yapay zeka uygulamaları; metin temizleme, özellik çıkarımı ve sınıflandırma
13Sensör veya robotik verisi üzerinde yapay zeka uygulaması; veri toplama, modelleme ve karar üretme mantığı
14Basit yapay zeka uygulamasının bütünleştirilmesi; model kaydetme, çalıştırma ve çıktıların raporlanması
15Etik, veri gizliliği, model yanlılığı, güvenilirlik ve yapay zeka uygulamalarında temel riskler
16Genel Sınav
Kaynak
1. Aurelien Geron. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media. 2. Raschka, S., Liu, Y. H., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn. Packt Publishing. 3. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, & Jonathan Taylor. (2023). An Introduction to Statistical Learning with Applications in Python. Springer. 4. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson. 5. Python, NumPy, Pandas, Matplotlib ve Scikit-learn çevrim içi dokümantasyonları.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Temel matematik, programlama ve elektronik bilgilerini robotik ve yapay zekâ uygulamalarında etkin bir şekilde kullanır.
X
2
Robotik sistemlerin sensör, aktüatör ve kontrol birimleri gibi temel bileşenlerini tanımlar, donanımsal kurulumlarını yapar ve çalıştırır.
3
Mikrodenetleyici platformlarında temel seviyede program geliştirir ve donanım entegrasyonunu sağlar.
X
4
Alanında yaygın kullanılan programlama dillerini kullanarak temel algoritmalar tasarlar ve uygular.
X
5
Temel makine öğrenmesi yöntemlerini kullanarak yapay zekâ uygulamaları geliştirir ve test süreçlerini yürütür.
X
6
Sensörlerden elde edilen verileri toplar, analiz eder ve sistemin işleyişine göre yorumlar.
X
7
Temel kontrol sistemlerini kurar ve sistem performansını ilgili standartlara göre değerlendirir.
8
Robotik ve otomasyon projelerinin planlama, geliştirme ve test süreçlerinde bireysel inisiyatif alır; çok disiplinli takım çalışmaları içinde etkin rol alarak sorumluluk üstlenir.
X
9
Karşılaşılan donanımsal ve yazılımsal teknik problemlere temel düzeyde çözüm üretir, hata ayıklama işlemlerini gerçekleştirir.
X
10
Mesleki konulardaki düşüncelerini sözlü ve yazılı olarak ifade eder, alanı ile ilgili teknik dokümanları okur ve anlar.
11
Mesleki uygulamalarında etik kurallara, kalite süreçlerine ve iş sağlığı-güvenliği standartlarına uygun hareket eder.
X
12
Yaşam boyu öğrenme bilinci ile robotik ve yapay zekâ alanındaki güncel gelişmeleri takip eder, kendini sürekli yeniler.
X
13
Alanındaki yenilikleri izleyebilecek ve temel düzeyde iletişim kurabilecek seviyede en az bir yabancı dili (Avrupa Dil Portföyü A2 Genel Düzeyinde) kullanır.
14
Alanının gerektirdiği bilişim ve iletişim teknolojilerini Avrupa Bilgisayar Kullanma Lisansı Temel Düzeyinde etkin bir şekilde kullanır.
X
15
Robotik ve yapay zekâ teknolojilerinin toplumsal, çevresel ve ekonomik etkilerini temel düzeyde değerlendirir; girişimcilik, yenilikçilik ve sürdürülebilirlik kavramları hakkında bilgi sahibi olarak bunları mesleki süreçlerine yansıtır.
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 UYGULAMALARIRYZ2122304Güz Dönemi2+235
Ders Programı

Pazartesi 08:40-09:30

Pazartesi 09:40-10:30

Pazartesi 10:40-11:30

Pazartesi 11:40-12:30

Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi VerenlerÖğr.Gör. Sinem UYSAL
Dersin YardımcılarıÖğretim Görevlisi Dr. Sinem UYSAL
Dersin AmacıBu dersin amacı; öğrencilerin temel yapay zeka kavramlarını gerçek ve basit uygulama senaryolarında kullanabilmesini, veri hazırlama, model seçme, model eğitme, model değerlendirme ve temel uygulama geliştirme adımlarını uygulamalı olarak öğrenmesini sağlamaktır.
Dersin İçeriğiBu ders; Yapay zeka uygulamalarına giriş; uygulama geliştirme süreci; problem türleri ve örnek kullanım alanları,Python ortamı, temel kütüphaneler ve veri okuma; Jupyter Notebook veya benzeri çalışma ortamı kullanımı,Veri seti yapısı; özellik, hedef değişken, etiket, eğitim ve test verisi kavramları,Veri temizleme ve ön işleme; eksik veri, aykırı değer, ölçekleme ve kategorik verilerin hazırlanması,Sınıflandırma uygulamaları; k-en yakın komşu, karar ağacı ve lojistik regresyon örnekleri,Regresyon uygulamaları; doğrusal regresyon, hata ölçütleri ve model sonucunun yorumlanması,Model değerlendirme; doğruluk, kesinlik, duyarlılık, F1 skoru, karışıklık matrisi ve aşırı öğrenme kavramı,Ara Sınav,Denetimsiz öğrenmeye giriş; kümeleme uygulamaları ve basit veri gruplama örnekleri,Temel yapay sinir ağı uygulamaları; katman, aktivasyon, eğitim ve kayıp fonksiyonu kavramları,Görüntü verisi ile basit yapay zeka uygulamaları; temel sınıflandırma ve sonuç yorumlama,Metin verisi ile basit yapay zeka uygulamaları; metin temizleme, özellik çıkarımı ve sınıflandırma,Sensör veya robotik verisi üzerinde yapay zeka uygulaması; veri toplama, modelleme ve karar üretme mantığı,Basit yapay zeka uygulamasının bütünleştirilmesi; model kaydetme, çalıştırma ve çıktıların raporlanması,Etik, veri gizliliği, model yanlılığı, güvenilirlik ve yapay zeka uygulamalarında temel riskler,Genel Sınav; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Yapay zeka uygulamalarında kullanılan temel kavramları ve uygulama alanlarını açıklar.1, Anlatım Yöntemi1, Yazılı Sınav
2. Basit veri setlerini yapay zeka uygulaması için temizler, düzenler ve ön işleme tabi tutar.1, Anlatım Yöntemi1, Yazılı Sınav
3. Sınıflandırma ve regresyon problemleri için temel makine öğrenmesi modellerini seçer ve uygular.1, Anlatım Yöntemi1, Yazılı Sınav
4. Eğitilen modellerin başarımını doğruluk, hata ve karışıklık matrisi gibi temel ölçütlerle değerlendirir.1, Anlatım Yöntemi1, Yazılı Sınav
5. Görüntü, metin veya sensör verisi üzerinde basit bir yapay zeka uygulamasını geliştirir.1, Anlatım Yöntemi1, Yazılı Sınav
6. Yapay zeka uygulamalarında veri kalitesi, model yanlılığı, etik kullanım ve temel güvenilirlik konularını analiz eder.1, Anlatım Yöntemi1, Yazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Yapay zeka uygulamalarına giriş; uygulama geliştirme süreci; problem türleri ve örnek kullanım alanları
2Python ortamı, temel kütüphaneler ve veri okuma; Jupyter Notebook veya benzeri çalışma ortamı kullanımı
3Veri seti yapısı; özellik, hedef değişken, etiket, eğitim ve test verisi kavramları
4Veri temizleme ve ön işleme; eksik veri, aykırı değer, ölçekleme ve kategorik verilerin hazırlanması
5Sınıflandırma uygulamaları; k-en yakın komşu, karar ağacı ve lojistik regresyon örnekleri
6Regresyon uygulamaları; doğrusal regresyon, hata ölçütleri ve model sonucunun yorumlanması
7Model değerlendirme; doğruluk, kesinlik, duyarlılık, F1 skoru, karışıklık matrisi ve aşırı öğrenme kavramı
8Ara Sınav
9Denetimsiz öğrenmeye giriş; kümeleme uygulamaları ve basit veri gruplama örnekleri
10Temel yapay sinir ağı uygulamaları; katman, aktivasyon, eğitim ve kayıp fonksiyonu kavramları
11Görüntü verisi ile basit yapay zeka uygulamaları; temel sınıflandırma ve sonuç yorumlama
12Metin verisi ile basit yapay zeka uygulamaları; metin temizleme, özellik çıkarımı ve sınıflandırma
13Sensör veya robotik verisi üzerinde yapay zeka uygulaması; veri toplama, modelleme ve karar üretme mantığı
14Basit yapay zeka uygulamasının bütünleştirilmesi; model kaydetme, çalıştırma ve çıktıların raporlanması
15Etik, veri gizliliği, model yanlılığı, güvenilirlik ve yapay zeka uygulamalarında temel riskler
16Genel Sınav
Kaynak
1. Aurelien Geron. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media. 2. Raschka, S., Liu, Y. H., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn. Packt Publishing. 3. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, & Jonathan Taylor. (2023). An Introduction to Statistical Learning with Applications in Python. Springer. 4. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson. 5. Python, NumPy, Pandas, Matplotlib ve Scikit-learn çevrim içi dokümantasyonları.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Temel matematik, programlama ve elektronik bilgilerini robotik ve yapay zekâ uygulamalarında etkin bir şekilde kullanır.
X
2
Robotik sistemlerin sensör, aktüatör ve kontrol birimleri gibi temel bileşenlerini tanımlar, donanımsal kurulumlarını yapar ve çalıştırır.
3
Mikrodenetleyici platformlarında temel seviyede program geliştirir ve donanım entegrasyonunu sağlar.
X
4
Alanında yaygın kullanılan programlama dillerini kullanarak temel algoritmalar tasarlar ve uygular.
X
5
Temel makine öğrenmesi yöntemlerini kullanarak yapay zekâ uygulamaları geliştirir ve test süreçlerini yürütür.
X
6
Sensörlerden elde edilen verileri toplar, analiz eder ve sistemin işleyişine göre yorumlar.
X
7
Temel kontrol sistemlerini kurar ve sistem performansını ilgili standartlara göre değerlendirir.
8
Robotik ve otomasyon projelerinin planlama, geliştirme ve test süreçlerinde bireysel inisiyatif alır; çok disiplinli takım çalışmaları içinde etkin rol alarak sorumluluk üstlenir.
X
9
Karşılaşılan donanımsal ve yazılımsal teknik problemlere temel düzeyde çözüm üretir, hata ayıklama işlemlerini gerçekleştirir.
X
10
Mesleki konulardaki düşüncelerini sözlü ve yazılı olarak ifade eder, alanı ile ilgili teknik dokümanları okur ve anlar.
11
Mesleki uygulamalarında etik kurallara, kalite süreçlerine ve iş sağlığı-güvenliği standartlarına uygun hareket eder.
X
12
Yaşam boyu öğrenme bilinci ile robotik ve yapay zekâ alanındaki güncel gelişmeleri takip eder, kendini sürekli yeniler.
X
13
Alanındaki yenilikleri izleyebilecek ve temel düzeyde iletişim kurabilecek seviyede en az bir yabancı dili (Avrupa Dil Portföyü A2 Genel Düzeyinde) kullanır.
14
Alanının gerektirdiği bilişim ve iletişim teknolojilerini Avrupa Bilgisayar Kullanma Lisansı Temel Düzeyinde etkin bir şekilde kullanır.
X
15
Robotik ve yapay zekâ teknolojilerinin toplumsal, çevresel ve ekonomik etkilerini temel düzeyde değerlendirir; girişimcilik, yenilikçilik ve sürdürülebilirlik kavramları hakkında bilgi sahibi olarak bunları mesleki süreçlerine yansıtır.
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