Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| YAPAY ZEKA UYGULAMALARI | RYZ2122304 | Güz Dönemi | 2+2 | 3 | 5 |
| 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 Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | Öğr.Gör. Sinem UYSAL |
| Dersin Yardımcıları | Öğretim Görevlisi Dr. Sinem UYSAL |
| Dersin Amacı | Bu 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 İçeriği | Bu 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 Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Yapay zeka uygulamalarında kullanılan temel kavramları ve uygulama alanlarını açıklar. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 2. Basit veri setlerini yapay zeka uygulaması için temizler, düzenler ve ön işleme tabi tutar. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 3. Sınıflandırma ve regresyon problemleri için temel makine öğrenmesi modellerini seçer ve uygular. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 4. Eğitilen modellerin başarımını doğruluk, hata ve karışıklık matrisi gibi temel ölçütlerle değerlendirir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 5. Görüntü, metin veya sensör verisi üzerinde basit bir yapay zeka uygulamasını geliştirir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 6. Yapay zeka uygulamalarında veri kalitesi, model yanlılığı, etik kullanım ve temel güvenilirlik konularını analiz eder. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | 1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zeka uygulamalarına giriş; uygulama geliştirme süreci; problem türleri ve örnek kullanım alanları | |
| 2 | Python ortamı, temel kütüphaneler ve veri okuma; Jupyter Notebook veya benzeri çalışma ortamı kullanımı | |
| 3 | Veri seti yapısı; özellik, hedef değişken, etiket, eğitim ve test verisi kavramları | |
| 4 | Veri temizleme ve ön işleme; eksik veri, aykırı değer, ölçekleme ve kategorik verilerin hazırlanması | |
| 5 | Sınıflandırma uygulamaları; k-en yakın komşu, karar ağacı ve lojistik regresyon örnekleri | |
| 6 | Regresyon uygulamaları; doğrusal regresyon, hata ölçütleri ve model sonucunun yorumlanması | |
| 7 | Model değerlendirme; doğruluk, kesinlik, duyarlılık, F1 skoru, karışıklık matrisi ve aşırı öğrenme kavramı | |
| 8 | Ara Sınav | |
| 9 | Denetimsiz öğrenmeye giriş; kümeleme uygulamaları ve basit veri gruplama örnekleri | |
| 10 | Temel yapay sinir ağı uygulamaları; katman, aktivasyon, eğitim ve kayıp fonksiyonu kavramları | |
| 11 | Görüntü verisi ile basit yapay zeka uygulamaları; temel sınıflandırma ve sonuç yorumlama | |
| 12 | Metin verisi ile basit yapay zeka uygulamaları; metin temizleme, özellik çıkarımı ve sınıflandırma | |
| 13 | Sensör veya robotik verisi üzerinde yapay zeka uygulaması; veri toplama, modelleme ve karar üretme mantığı | |
| 14 | Basit yapay zeka uygulamasının bütünleştirilmesi; model kaydetme, çalıştırma ve çıktıların raporlanması | |
| 15 | Etik, veri gizliliği, model yanlılığı, güvenilirlik ve yapay zeka uygulamalarında temel riskler | |
| 16 | Genel 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 | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 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 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 | RYZ2122304 | Güz Dönemi | 2+2 | 3 | 5 |
| 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 Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | Öğr.Gör. Sinem UYSAL |
| Dersin Yardımcıları | Öğretim Görevlisi Dr. Sinem UYSAL |
| Dersin Amacı | Bu 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 İçeriği | Bu 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 Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Yapay zeka uygulamalarında kullanılan temel kavramları ve uygulama alanlarını açıklar. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 2. Basit veri setlerini yapay zeka uygulaması için temizler, düzenler ve ön işleme tabi tutar. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 3. Sınıflandırma ve regresyon problemleri için temel makine öğrenmesi modellerini seçer ve uygular. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 4. Eğitilen modellerin başarımını doğruluk, hata ve karışıklık matrisi gibi temel ölçütlerle değerlendirir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 5. Görüntü, metin veya sensör verisi üzerinde basit bir yapay zeka uygulamasını geliştirir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 6. Yapay zeka uygulamalarında veri kalitesi, model yanlılığı, etik kullanım ve temel güvenilirlik konularını analiz eder. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | 1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zeka uygulamalarına giriş; uygulama geliştirme süreci; problem türleri ve örnek kullanım alanları | |
| 2 | Python ortamı, temel kütüphaneler ve veri okuma; Jupyter Notebook veya benzeri çalışma ortamı kullanımı | |
| 3 | Veri seti yapısı; özellik, hedef değişken, etiket, eğitim ve test verisi kavramları | |
| 4 | Veri temizleme ve ön işleme; eksik veri, aykırı değer, ölçekleme ve kategorik verilerin hazırlanması | |
| 5 | Sınıflandırma uygulamaları; k-en yakın komşu, karar ağacı ve lojistik regresyon örnekleri | |
| 6 | Regresyon uygulamaları; doğrusal regresyon, hata ölçütleri ve model sonucunun yorumlanması | |
| 7 | Model değerlendirme; doğruluk, kesinlik, duyarlılık, F1 skoru, karışıklık matrisi ve aşırı öğrenme kavramı | |
| 8 | Ara Sınav | |
| 9 | Denetimsiz öğrenmeye giriş; kümeleme uygulamaları ve basit veri gruplama örnekleri | |
| 10 | Temel yapay sinir ağı uygulamaları; katman, aktivasyon, eğitim ve kayıp fonksiyonu kavramları | |
| 11 | Görüntü verisi ile basit yapay zeka uygulamaları; temel sınıflandırma ve sonuç yorumlama | |
| 12 | Metin verisi ile basit yapay zeka uygulamaları; metin temizleme, özellik çıkarımı ve sınıflandırma | |
| 13 | Sensör veya robotik verisi üzerinde yapay zeka uygulaması; veri toplama, modelleme ve karar üretme mantığı | |
| 14 | Basit yapay zeka uygulamasının bütünleştirilmesi; model kaydetme, çalıştırma ve çıktıların raporlanması | |
| 15 | Etik, veri gizliliği, model yanlılığı, güvenilirlik ve yapay zeka uygulamalarında temel riskler | |
| 16 | Genel 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 | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 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 Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |