Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| YAPAY ZEKADA MODEL EĞİTİMİ VE OPTİMİZASYON TEKNİKLERİ | RYZ2222314 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Öğr. Gör. Dr. Sinem UYSAL |
| Dersin Amacı | Bu dersin amacı, öğrencilerin yapay zeka modellerinin eğitim sürecini temel düzeyde anlamasını, veri hazırlama, model seçimi, eğitim, doğrulama, performans değerlendirme ve optimizasyon adımlarını uygulayabilmesini sağlamaktır. Ders sonunda öğrencilerin basit makine öğrenmesi ve derin öğrenme modellerini eğitmesi, aşırı öğrenme gibi temel problemleri tanıması ve model başarısını iyileştirmek için uygun teknikleri kullanması beklenir. |
| Dersin İçeriği | Bu ders; Model eğitimi kavramı, yapay zeka uygulamalarında veri, model, eğitim ve çıktı ilişkisi,Veri seti yapısı, etiketli veri, özellik kavramı ve eğitim-doğrulama-test ayrımı,Veri ön işleme, eksik veri, aykırı değer, normalizasyon ve ölçekleme işlemleri,Temel sınıflandırma ve regresyon modellerinin eğitim mantığı,Kayıp fonksiyonu, hata kavramı ve model performansının izlenmesi,Gradient descent fikri, öğrenme oranı, epoch ve batch kavramları,Model değerlendirme metrikleri: doğruluk, hata, precision, recall, F1 ve confusion matrix,Ara Sınav,Aşırı öğrenme, yetersiz öğrenme ve eğitim-doğrulama eğrilerinin yorumlanması,Düzenlileştirme, erken durdurma ve veri artırma kavramlarına giriş,Hiperparametre ayarlama: grid search, random search ve temel deneme yaklaşımı,Yapay sinir ağlarında katman, aktivasyon fonksiyonu, optimizasyon algoritması ve eğitim akışı,Basit derin öğrenme modeli eğitimi ve doğrulama sonuçlarının yorumlanması,Model iyileştirme uygulaması: veri, parametre ve eğitim süreci üzerinden karşılaştırmalı çalışma,Eğitilmiş modelin kaydedilmesi, yeniden kullanılması ve basit uygulama senaryosuna aktarılması,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Yapay zeka modeli geliştirme sürecindeki veri hazırlama, eğitim, doğrulama ve test adımlarını açıklayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 2. Bir veri setini eğitim, doğrulama ve test amacıyla uygun şekilde ayırabilir ve temel ön işleme adımlarını uygulayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 3. Basit sınıflandırma veya regresyon modellerini Python tabanlı araçlarla eğitebilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 4. Model performansını doğruluk, hata, kayıp, kesinlik, duyarlılık ve benzeri temel metriklerle yorumlayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 5. Aşırı öğrenme ve yetersiz öğrenme durumlarını ayırt edebilir ve temel iyileştirme yöntemlerini seçebilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 6. Öğrenme oranı, epoch, batch size ve model parametrelerinin model başarısına etkisini açıklayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 7. Basit hiperparametre ayarlama ve model optimizasyonu uygulamaları yapabilir. | 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 | Model eğitimi kavramı, yapay zeka uygulamalarında veri, model, eğitim ve çıktı ilişkisi | |
| 2 | Veri seti yapısı, etiketli veri, özellik kavramı ve eğitim-doğrulama-test ayrımı | |
| 3 | Veri ön işleme, eksik veri, aykırı değer, normalizasyon ve ölçekleme işlemleri | |
| 4 | Temel sınıflandırma ve regresyon modellerinin eğitim mantığı | |
| 5 | Kayıp fonksiyonu, hata kavramı ve model performansının izlenmesi | |
| 6 | Gradient descent fikri, öğrenme oranı, epoch ve batch kavramları | |
| 7 | Model değerlendirme metrikleri: doğruluk, hata, precision, recall, F1 ve confusion matrix | |
| 8 | Ara Sınav | |
| 9 | Aşırı öğrenme, yetersiz öğrenme ve eğitim-doğrulama eğrilerinin yorumlanması | |
| 10 | Düzenlileştirme, erken durdurma ve veri artırma kavramlarına giriş | |
| 11 | Hiperparametre ayarlama: grid search, random search ve temel deneme yaklaşımı | |
| 12 | Yapay sinir ağlarında katman, aktivasyon fonksiyonu, optimizasyon algoritması ve eğitim akışı | |
| 13 | Basit derin öğrenme modeli eğitimi ve doğrulama sonuçlarının yorumlanması | |
| 14 | Model iyileştirme uygulaması: veri, parametre ve eğitim süreci üzerinden karşılaştırmalı çalışma | |
| 15 | Eğitilmiş modelin kaydedilmesi, yeniden kullanılması ve basit uygulama senaryosuna aktarılması | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Chollet, F. (2021). Python ile Derin Öğrenme. Manning Publications. 2. Géron, A. (2022). Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi. O’Reilly Media. 3. Müller, A. C. ve Guido, S. (2016). Python ile Makine Öğrenmesine Giriş. O’Reilly Media. 4. Raschka, S., Liu, Y. ve Mirjalili, V. (2022). PyTorch ve Scikit-Learn ile Makine Öğrenmesi. Packt Publishing. 5. Russell, S. ve Norvig, P. Yapay Zekâ: Modern Bir Yaklaşım. Pearson. 6. Boyd, S. ve Vandenberghe, L. Konveks Optimizasyon. Cambridge University Press. 7. MIT Press. Makine Öğrenmesi için Optimizasyon. |
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. | ||||||
| 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. | ||||||
| 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. | ||||||
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 ZEKADA MODEL EĞİTİMİ VE OPTİMİZASYON TEKNİKLERİ | RYZ2222314 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Öğr. Gör. Dr. Sinem UYSAL |
| Dersin Amacı | Bu dersin amacı, öğrencilerin yapay zeka modellerinin eğitim sürecini temel düzeyde anlamasını, veri hazırlama, model seçimi, eğitim, doğrulama, performans değerlendirme ve optimizasyon adımlarını uygulayabilmesini sağlamaktır. Ders sonunda öğrencilerin basit makine öğrenmesi ve derin öğrenme modellerini eğitmesi, aşırı öğrenme gibi temel problemleri tanıması ve model başarısını iyileştirmek için uygun teknikleri kullanması beklenir. |
| Dersin İçeriği | Bu ders; Model eğitimi kavramı, yapay zeka uygulamalarında veri, model, eğitim ve çıktı ilişkisi,Veri seti yapısı, etiketli veri, özellik kavramı ve eğitim-doğrulama-test ayrımı,Veri ön işleme, eksik veri, aykırı değer, normalizasyon ve ölçekleme işlemleri,Temel sınıflandırma ve regresyon modellerinin eğitim mantığı,Kayıp fonksiyonu, hata kavramı ve model performansının izlenmesi,Gradient descent fikri, öğrenme oranı, epoch ve batch kavramları,Model değerlendirme metrikleri: doğruluk, hata, precision, recall, F1 ve confusion matrix,Ara Sınav,Aşırı öğrenme, yetersiz öğrenme ve eğitim-doğrulama eğrilerinin yorumlanması,Düzenlileştirme, erken durdurma ve veri artırma kavramlarına giriş,Hiperparametre ayarlama: grid search, random search ve temel deneme yaklaşımı,Yapay sinir ağlarında katman, aktivasyon fonksiyonu, optimizasyon algoritması ve eğitim akışı,Basit derin öğrenme modeli eğitimi ve doğrulama sonuçlarının yorumlanması,Model iyileştirme uygulaması: veri, parametre ve eğitim süreci üzerinden karşılaştırmalı çalışma,Eğitilmiş modelin kaydedilmesi, yeniden kullanılması ve basit uygulama senaryosuna aktarılması,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Yapay zeka modeli geliştirme sürecindeki veri hazırlama, eğitim, doğrulama ve test adımlarını açıklayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 2. Bir veri setini eğitim, doğrulama ve test amacıyla uygun şekilde ayırabilir ve temel ön işleme adımlarını uygulayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 3. Basit sınıflandırma veya regresyon modellerini Python tabanlı araçlarla eğitebilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 4. Model performansını doğruluk, hata, kayıp, kesinlik, duyarlılık ve benzeri temel metriklerle yorumlayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 5. Aşırı öğrenme ve yetersiz öğrenme durumlarını ayırt edebilir ve temel iyileştirme yöntemlerini seçebilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 6. Öğrenme oranı, epoch, batch size ve model parametrelerinin model başarısına etkisini açıklayabilir. | 1, Anlatım Yöntemi | 1, Yazılı Sınav |
| 7. Basit hiperparametre ayarlama ve model optimizasyonu uygulamaları yapabilir. | 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 | Model eğitimi kavramı, yapay zeka uygulamalarında veri, model, eğitim ve çıktı ilişkisi | |
| 2 | Veri seti yapısı, etiketli veri, özellik kavramı ve eğitim-doğrulama-test ayrımı | |
| 3 | Veri ön işleme, eksik veri, aykırı değer, normalizasyon ve ölçekleme işlemleri | |
| 4 | Temel sınıflandırma ve regresyon modellerinin eğitim mantığı | |
| 5 | Kayıp fonksiyonu, hata kavramı ve model performansının izlenmesi | |
| 6 | Gradient descent fikri, öğrenme oranı, epoch ve batch kavramları | |
| 7 | Model değerlendirme metrikleri: doğruluk, hata, precision, recall, F1 ve confusion matrix | |
| 8 | Ara Sınav | |
| 9 | Aşırı öğrenme, yetersiz öğrenme ve eğitim-doğrulama eğrilerinin yorumlanması | |
| 10 | Düzenlileştirme, erken durdurma ve veri artırma kavramlarına giriş | |
| 11 | Hiperparametre ayarlama: grid search, random search ve temel deneme yaklaşımı | |
| 12 | Yapay sinir ağlarında katman, aktivasyon fonksiyonu, optimizasyon algoritması ve eğitim akışı | |
| 13 | Basit derin öğrenme modeli eğitimi ve doğrulama sonuçlarının yorumlanması | |
| 14 | Model iyileştirme uygulaması: veri, parametre ve eğitim süreci üzerinden karşılaştırmalı çalışma | |
| 15 | Eğitilmiş modelin kaydedilmesi, yeniden kullanılması ve basit uygulama senaryosuna aktarılması | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Chollet, F. (2021). Python ile Derin Öğrenme. Manning Publications. 2. Géron, A. (2022). Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi. O’Reilly Media. 3. Müller, A. C. ve Guido, S. (2016). Python ile Makine Öğrenmesine Giriş. O’Reilly Media. 4. Raschka, S., Liu, Y. ve Mirjalili, V. (2022). PyTorch ve Scikit-Learn ile Makine Öğrenmesi. Packt Publishing. 5. Russell, S. ve Norvig, P. Yapay Zekâ: Modern Bir Yaklaşım. Pearson. 6. Boyd, S. ve Vandenberghe, L. Konveks Optimizasyon. Cambridge University Press. 7. MIT Press. Makine Öğrenmesi için Optimizasyon. |
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. | ||||||
| 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. | ||||||
| 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. | ||||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |