Ana içeriğe atla

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKA-Bahar Dönemi3+035
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüProf.Dr. Gökhan SİLAHTAROĞLU
Dersi VerenlerProf.Dr. Gökhan SİLAHTAROĞLU
Dersin Yardımcıları
Dersin AmacıYapay Zeka kavramı çerçevesinde, Makine Öğrenmesi algoritmalarını hem mantıksal hem de matematiksel boyutta algılayabilecek ve bir programlama dili ile bu algoritmaları geliştirebilecek öğrenci yetiştirmek.
Dersin İçeriğiBu ders; Yapay Zekanın Tanımı ve Tarihi,Makine Öğrenmesi,Makine Öğrenmesi,Robotlar ve YZ,Derin Öğrenme ve Makine Görüsü
,Veri Hazılığı ve Veri Ambarları,Doğrusal, Doğrusal Olmayan ve Lojistik Regresyon,DOĞAL DİL İŞLEME (NLP)
METİN MADENCİLİĞİ (TM)
WEB MADENCİLİĞİ (WM),Yapay Zeka Aracıları (Ajanları),YZ ve Etik,Graflar ve YZ, İstatistiksel Öğrenme ve Model Seçimi,Denetimli - Denetimsiz Öğrenme Algoritmalarına örnekler,Python için kendi kütüphanemizi yazmak: Bulanık C - Ortalama algoritması , XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri.; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Yapay Zeka açıklayabilecektir.16, 3, 9A
1.1. Yapay Zekayı tanımlar
1.2. Yapay Zekanın bileşenlerini listeler
2. Denetimisiz öğrenme Kavramını tanımlayabilecektir.9A
2.1. Denetimsiz öğrenmeyi açıklar
2.2. Denetimsiz öğrenmenin algoritma türlerini sıralar
3. Denetimli öğrenme kavramını tanımlayabilecektir.6, 9A
3.1. Denetimli öğrenmeyi açıklar
3.2. Denetimli öğrenmenin algoritma türlerini listeler
4. Örüntü analizini tanımlayabilecektir.14, 2, 6, 9A, E
4.1. Örüntü analizini açıklar
4.2 Örüntü analizinin algoritmalarını listeler
5. Yapay Zekanın Alt bileşenlerini tanımlayabilecektir.16, 9A, E
5.1. NLP tanımlar
5.2. Robotik kavramını tanımlar
5.3. Metin Madenciliğini tanımlar.
5.4. Veri Madenciliğini tanımlar
5.5. Sınıflandırma ve Kümeleme kavramlarını bir birinden ayırır
Öğretim Yöntemleri:14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 2: Proje Temelli Öğrenme Modeli, 3: Probleme Dayalı Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, E: Ödev

Ders Akışı

SıraKonularÖn Hazırlık
1Yapay Zekanın Tanımı ve Tarihi
2Makine ÖğrenmesiVideoyu izleyin ve sorulara hazır olun.
3Makine ÖğrenmesiVideoyu izleyin ve sınıf içi sorulara hazırlıklı olun.
4Robotlar ve YZRobotics and AI
5Derin Öğrenme ve Makine Görüsü
Önerilen okuma.
6Veri Hazılığı ve Veri AmbarlarıVideo izleme, verilen soruları yanıtlayıp gelin.
7Doğrusal, Doğrusal Olmayan ve Lojistik RegresyonBÜYÜK VERİ BİLGİ NİNSUNUMU
8DOĞAL DİL İŞLEME (NLP)
METİN MADENCİLİĞİ (TM)
WEB MADENCİLİĞİ (WM)
9Yapay Zeka Aracıları (Ajanları)İlgili videoyu izleyin ve verilen soruları cevaplayın.
10YZ ve EtikVideo izleme; verilen soruları yanıtlayıp gelin.
11Graflar ve YZVideoyu izleyin, soruları dersten önce ve derste yanıtlayın
12 İstatistiksel Öğrenme ve Model SeçimiVideo İzleme ve Okuma
13Denetimli - Denetimsiz Öğrenme Algoritmalarına örnekler
14Python için kendi kütüphanemizi yazmak: Bulanık C - Ortalama algoritması , XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri.Python ile ilgili ön çalışmalar
Kaynak
BASIC OF ARTIFICAL INTELLIGENCE by Philips Coleman, | 2021
AFTER EACH LESSON A READING OR WATCHING TASK WILL BE GIVEN BY THE LECTURER. Artificial Intelligence: Understanding Future's Language Kindle Edition by Umut Guney (Author) , 2023.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Bilişim ve yönetim alanında teorik bilgileri tanımlar.
X
2
Bilişim ve yönetim alanında gerekli matematiksel ve istatistiki yöntemleri anlatır.
X
3
Bilişim ve yönetim alanında gerekli en az bir bilgisayar programı kullanır.
X
4
Bilişim ve yönetim alanında gerekli olan mesleki yabancı dil yeterliliğini gösterir.
5
Bilişim projeleri hazırlar ve takım çalışmalarını yönetir.
6
Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirilir.
7
Bilişim ve yönetim alanında teorik ve uygulamaya yönelik bilgileri kullanır.
X
8
En az A1 düzeyinde bir yabancı dili kullanarak güncel teknolojileri takip eder, sözlü / yazılı iletişim kurar.
9
Örgüt / kurumsal, iş ve toplumsal etik değerlerini benimser ve kullanır.
10
Topluma hizmet duyarlılığı çerçevesinde, sosyal sorumluluk ilkelerini benimser ve gerektiğinde inisiyatif alır.
11
Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır.
X
12
Masaüstü, mobil, web gibi farklı platform yazılımlarını tek başına ve/veya bir ekip içerisinde yazar.
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)
Ders Saati15345
Rehberli Problem Çözme414
Problem Çözümü / Ödev / Proje / Rapor Tanzimi7535
Okul Dışı Diğer Faaliyetler7321
Proje Sunumu / Seminer11212
Kısa Sınav (QUİZ) ve Hazırlığı133
Ara Sınav ve Hazırlığı166
Genel Sınav ve Hazırlığı11212
Performans Görevi, Bakım Planı000
Toplam İş Yükü (Saat)138
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(138/30)5
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Dersin Detaylı Bilgileri

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY ZEKA-Bahar Dönemi3+035
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüProf.Dr. Gökhan SİLAHTAROĞLU
Dersi VerenlerProf.Dr. Gökhan SİLAHTAROĞLU
Dersin Yardımcıları
Dersin AmacıYapay Zeka kavramı çerçevesinde, Makine Öğrenmesi algoritmalarını hem mantıksal hem de matematiksel boyutta algılayabilecek ve bir programlama dili ile bu algoritmaları geliştirebilecek öğrenci yetiştirmek.
Dersin İçeriğiBu ders; Yapay Zekanın Tanımı ve Tarihi,Makine Öğrenmesi,Makine Öğrenmesi,Robotlar ve YZ,Derin Öğrenme ve Makine Görüsü
,Veri Hazılığı ve Veri Ambarları,Doğrusal, Doğrusal Olmayan ve Lojistik Regresyon,DOĞAL DİL İŞLEME (NLP)
METİN MADENCİLİĞİ (TM)
WEB MADENCİLİĞİ (WM),Yapay Zeka Aracıları (Ajanları),YZ ve Etik,Graflar ve YZ, İstatistiksel Öğrenme ve Model Seçimi,Denetimli - Denetimsiz Öğrenme Algoritmalarına örnekler,Python için kendi kütüphanemizi yazmak: Bulanık C - Ortalama algoritması , XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri.; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Yapay Zeka açıklayabilecektir.16, 3, 9A
1.1. Yapay Zekayı tanımlar
1.2. Yapay Zekanın bileşenlerini listeler
2. Denetimisiz öğrenme Kavramını tanımlayabilecektir.9A
2.1. Denetimsiz öğrenmeyi açıklar
2.2. Denetimsiz öğrenmenin algoritma türlerini sıralar
3. Denetimli öğrenme kavramını tanımlayabilecektir.6, 9A
3.1. Denetimli öğrenmeyi açıklar
3.2. Denetimli öğrenmenin algoritma türlerini listeler
4. Örüntü analizini tanımlayabilecektir.14, 2, 6, 9A, E
4.1. Örüntü analizini açıklar
4.2 Örüntü analizinin algoritmalarını listeler
5. Yapay Zekanın Alt bileşenlerini tanımlayabilecektir.16, 9A, E
5.1. NLP tanımlar
5.2. Robotik kavramını tanımlar
5.3. Metin Madenciliğini tanımlar.
5.4. Veri Madenciliğini tanımlar
5.5. Sınıflandırma ve Kümeleme kavramlarını bir birinden ayırır
Öğretim Yöntemleri:14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 2: Proje Temelli Öğrenme Modeli, 3: Probleme Dayalı Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, E: Ödev

Ders Akışı

SıraKonularÖn Hazırlık
1Yapay Zekanın Tanımı ve Tarihi
2Makine ÖğrenmesiVideoyu izleyin ve sorulara hazır olun.
3Makine ÖğrenmesiVideoyu izleyin ve sınıf içi sorulara hazırlıklı olun.
4Robotlar ve YZRobotics and AI
5Derin Öğrenme ve Makine Görüsü
Önerilen okuma.
6Veri Hazılığı ve Veri AmbarlarıVideo izleme, verilen soruları yanıtlayıp gelin.
7Doğrusal, Doğrusal Olmayan ve Lojistik RegresyonBÜYÜK VERİ BİLGİ NİNSUNUMU
8DOĞAL DİL İŞLEME (NLP)
METİN MADENCİLİĞİ (TM)
WEB MADENCİLİĞİ (WM)
9Yapay Zeka Aracıları (Ajanları)İlgili videoyu izleyin ve verilen soruları cevaplayın.
10YZ ve EtikVideo izleme; verilen soruları yanıtlayıp gelin.
11Graflar ve YZVideoyu izleyin, soruları dersten önce ve derste yanıtlayın
12 İstatistiksel Öğrenme ve Model SeçimiVideo İzleme ve Okuma
13Denetimli - Denetimsiz Öğrenme Algoritmalarına örnekler
14Python için kendi kütüphanemizi yazmak: Bulanık C - Ortalama algoritması , XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri.Python ile ilgili ön çalışmalar
Kaynak
BASIC OF ARTIFICAL INTELLIGENCE by Philips Coleman, | 2021
AFTER EACH LESSON A READING OR WATCHING TASK WILL BE GIVEN BY THE LECTURER. Artificial Intelligence: Understanding Future's Language Kindle Edition by Umut Guney (Author) , 2023.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Bilişim ve yönetim alanında teorik bilgileri tanımlar.
X
2
Bilişim ve yönetim alanında gerekli matematiksel ve istatistiki yöntemleri anlatır.
X
3
Bilişim ve yönetim alanında gerekli en az bir bilgisayar programı kullanır.
X
4
Bilişim ve yönetim alanında gerekli olan mesleki yabancı dil yeterliliğini gösterir.
5
Bilişim projeleri hazırlar ve takım çalışmalarını yönetir.
6
Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirilir.
7
Bilişim ve yönetim alanında teorik ve uygulamaya yönelik bilgileri kullanır.
X
8
En az A1 düzeyinde bir yabancı dili kullanarak güncel teknolojileri takip eder, sözlü / yazılı iletişim kurar.
9
Örgüt / kurumsal, iş ve toplumsal etik değerlerini benimser ve kullanır.
10
Topluma hizmet duyarlılığı çerçevesinde, sosyal sorumluluk ilkelerini benimser ve gerektiğinde inisiyatif alır.
11
Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır.
X
12
Masaüstü, mobil, web gibi farklı platform yazılımlarını tek başına ve/veya bir ekip içerisinde yazar.
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Ekleme Tarihi: 06/07/2022 - 15:10Son Güncelleme Tarihi: 06/07/2022 - 15:13