Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKADA MODEL EĞİTİMİ VE OPTİMİZASYON TEKNİKLERİRYZ2222314Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıÖğr. 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Yapay zeka modeli geliştirme sürecindeki veri hazırlama, eğitim, doğrulama ve test adımlarını açıklayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
2. Bir veri setini eğitim, doğrulama ve test amacıyla uygun şekilde ayırabilir ve temel ön işleme adımlarını uygulayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
3. Basit sınıflandırma veya regresyon modellerini Python tabanlı araçlarla eğitebilir.1, Anlatım Yöntemi1, Yazılı Sınav
4. Model performansını doğruluk, hata, kayıp, kesinlik, duyarlılık ve benzeri temel metriklerle yorumlayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
5. Aşırı öğrenme ve yetersiz öğrenme durumlarını ayırt edebilir ve temel iyileştirme yöntemlerini seçebilir.1, Anlatım Yöntemi1, Yazılı Sınav
6. Öğrenme oranı, epoch, batch size ve model parametrelerinin model başarısına etkisini açıklayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
7. Basit hiperparametre ayarlama ve model optimizasyonu uygulamaları yapabilir.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
1Model eğitimi kavramı, yapay zeka uygulamalarında veri, model, eğitim ve çıktı ilişkisi
2Veri seti yapısı, etiketli veri, özellik kavramı ve eğitim-doğrulama-test ayrımı
3Veri ön işleme, eksik veri, aykırı değer, normalizasyon ve ölçekleme işlemleri
4Temel sınıflandırma ve regresyon modellerinin eğitim mantığı
5Kayıp fonksiyonu, hata kavramı ve model performansının izlenmesi
6Gradient descent fikri, öğrenme oranı, epoch ve batch kavramları
7Model değerlendirme metrikleri: doğruluk, hata, precision, recall, F1 ve confusion matrix
8Ara Sınav
9Aşırı öğrenme, yetersiz öğrenme ve eğitim-doğrulama eğrilerinin yorumlanması
10Düzenlileştirme, erken durdurma ve veri artırma kavramlarına giriş
11Hiperparametre ayarlama: grid search, random search ve temel deneme yaklaşımı
12Yapay sinir ağlarında katman, aktivasyon fonksiyonu, optimizasyon algoritması ve eğitim akışı
13Basit derin öğrenme modeli eğitimi ve doğrulama sonuçlarının yorumlanması
14Model iyileştirme uygulaması: veri, parametre ve eğitim süreci üzerinden karşılaştırmalı çalışma
15Eğitilmiş modelin kaydedilmesi, yeniden kullanılması ve basit uygulama senaryosuna aktarılması
16Genel 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
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.
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 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 ZEKADA MODEL EĞİTİMİ VE OPTİMİZASYON TEKNİKLERİRYZ2222314Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıÖğr. 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Yapay zeka modeli geliştirme sürecindeki veri hazırlama, eğitim, doğrulama ve test adımlarını açıklayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
2. Bir veri setini eğitim, doğrulama ve test amacıyla uygun şekilde ayırabilir ve temel ön işleme adımlarını uygulayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
3. Basit sınıflandırma veya regresyon modellerini Python tabanlı araçlarla eğitebilir.1, Anlatım Yöntemi1, Yazılı Sınav
4. Model performansını doğruluk, hata, kayıp, kesinlik, duyarlılık ve benzeri temel metriklerle yorumlayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
5. Aşırı öğrenme ve yetersiz öğrenme durumlarını ayırt edebilir ve temel iyileştirme yöntemlerini seçebilir.1, Anlatım Yöntemi1, Yazılı Sınav
6. Öğrenme oranı, epoch, batch size ve model parametrelerinin model başarısına etkisini açıklayabilir.1, Anlatım Yöntemi1, Yazılı Sınav
7. Basit hiperparametre ayarlama ve model optimizasyonu uygulamaları yapabilir.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
1Model eğitimi kavramı, yapay zeka uygulamalarında veri, model, eğitim ve çıktı ilişkisi
2Veri seti yapısı, etiketli veri, özellik kavramı ve eğitim-doğrulama-test ayrımı
3Veri ön işleme, eksik veri, aykırı değer, normalizasyon ve ölçekleme işlemleri
4Temel sınıflandırma ve regresyon modellerinin eğitim mantığı
5Kayıp fonksiyonu, hata kavramı ve model performansının izlenmesi
6Gradient descent fikri, öğrenme oranı, epoch ve batch kavramları
7Model değerlendirme metrikleri: doğruluk, hata, precision, recall, F1 ve confusion matrix
8Ara Sınav
9Aşırı öğrenme, yetersiz öğrenme ve eğitim-doğrulama eğrilerinin yorumlanması
10Düzenlileştirme, erken durdurma ve veri artırma kavramlarına giriş
11Hiperparametre ayarlama: grid search, random search ve temel deneme yaklaşımı
12Yapay sinir ağlarında katman, aktivasyon fonksiyonu, optimizasyon algoritması ve eğitim akışı
13Basit derin öğrenme modeli eğitimi ve doğrulama sonuçlarının yorumlanması
14Model iyileştirme uygulaması: veri, parametre ve eğitim süreci üzerinden karşılaştırmalı çalışma
15Eğitilmiş modelin kaydedilmesi, yeniden kullanılması ve basit uygulama senaryosuna aktarılması
16Genel 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
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.
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu