Course Detail
Course Detail
Course Description
| Course | Code | Semester | T+P (Hour) | Credit | ECTS |
|---|---|---|---|---|---|
| YAPAY ZEKA | YBS3257520 | Bahar Dönemi | 3+0 | 3 | 5 |
| Course Program | Salı 11:00-11:45 Salı 12:00-12:45 Salı 12:45-13:30 Cumartesi 11:00-11:45 Cumartesi 12:00-12:45 Cumartesi 12:45-13:30 |
| Prerequisites Courses | |
| Recommended Elective Courses |
| Language of Course | Türkçe |
| Course Level | Lisans |
| Course Type | Programa Bağlı Seçmeli |
| Course Coordinator | Dr.Öğr.Üye. Nesibe MANAV MUTLU |
| Name of Lecturer(s) | Öğr.Gör.Dr. Şeyma BOZKURT UZAN |
| Assistant(s) | Yapay Zeka kavramı çerçevesinde, Makine Öğrenmesi algoritmalarını hem mantıksal hem de matematiksel boyutta algılayabilecek ve bir programlama dili ile bu algoritmaları geliştirebilecek öğrenci yetiştirmek. |
| Aim | Hands-On Machine Learning with Scikit-Learn and TensorFlow, Aurelien Geron (yazar), O'Reilly Yapay Zeka: Dijital Hayalet Turkish Edition | by Alexis Graf | Jan 1, 2023 |
| Course Content | Bu ders; Yapay Zekanın Tanımı ve Tarihçesi,Makine Öğrenmesi,Makine Öğrenmesi,YZ ve Robotlar,Derin Öğrenme ve Makine Görüsü,Veri Hazırlama ve Veri Ambarları,BÜYÜK VERİ BİLGİ SUNUMU,DOĞAL DİL İŞLEME (NLP)METİN MADENCİLİĞİ (TM)WEB MADENCİLİĞİ (WM),YZ ve Etik,Denetimsiz Öğrenme, Uzaklık, Benzerlik, Grafik Merkezi ve Yapay Zeka,İstatistiksel Öğrenme ve Model Seçimi.,Denetimli - Denetimsiz Öğrenme Algoritmalarına Örnekler,Genetik Algoritma Kavramları,Python için kendi kütüphanemizi yazmak: Fuzzy C, algoritma anlamına gelir, XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri.; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Teaching Methods | Assessment Methods |
| 1. Yapay zeka kavramını açıklayabilecektir. | 16, 9 | A |
| 1.1. Yapay zeka gelişimini anlatır. | 9 | D |
| 1.2. Yapay Zeka Teknolojilerini listeler. | 13, 9 | |
| 2. Zeki Sistemlerin özelliklerini açıklayabilecektir. | 16, 9 | A |
| 2.1. İşletmelerde kullanılan Zeki Sistem örneklerini karşılaştırır. | 13 | E |
| 3. Uzman Sistemleri tanımlayabilecektir. | 13, 9 | A |
| 3.1. Uzman Sistemlerin tarihçesini anlatır. | 16, 9 | |
| 3.2. Uzman Sistemleri tanıyarak çözülmesi gereken problemlere yaklaşır. | 6, 9 | |
| 4. Yapay sinir ağlarını açıklayabilecektir. | 13, 9 | E |
| 4.1. Yapay Sinir Ağlarının genel özelliklerini tanımlar. | 9 | |
| 4.2. Yapay Sinir Ağlarının çalışma ve öğrenme prensibini tartışır. | 9 | E |
| 4.3. Yapay Sinir Ağlarında en çok kullanılan modelleri uygular. | 6, 9 | E |
| 5. Gözetimli ve Gözetimsiz Öğrenme kavramlarını karşılaştırabilecektir. | 13, 9 | D |
| 5.1. Gözetimli öğrenme kavramını bilir. | 16, 9 | |
| 5.2. Gözetimsiz öğrenme kavramını tanımlar. | 16, 9 | |
| 6. Bulanık Mantık kavramını tanımlayabilecektir. | 6, 9 | D |
| 6.1. Bulanık Mantık Denetleyici Sistemlerini açıklar. | 13, 9 | |
| 6.2. Bulanık Mantık Denetleyici Uygulamalarını kullanır. | 13, 9 | E |
| 7. Genetik Algoritmaları izah edebilecektir. | 9 | A, E |
| 7.1. Algoritmada kullanılan Çaprazlama, Mutasyon, Başarılı gen seçimi işlemlerini fark eder. | 6, 9 | |
| 7.2. Genetik Algoritma Uygulamalarını tanır. | 2 | F |
| Teaching Methods: | 13: Örnek Olay Yöntemi, 16: Soru - Cevap Tekniği , 2: Proje Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Assessment Methods: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi |
Course Outline
| Order | Subjects | Preliminary Work |
|---|---|---|
| 1 | Yapay Zekanın Tanımı ve Tarihçesi | |
| 2 | Makine Öğrenmesi | Ders notlarının ilgili kısımlarına hazırlanılmalı |
| 3 | Makine Öğrenmesi | Ders notlarının ilgili kısımlarına hazırlanılmalı |
| 4 | YZ ve Robotlar | Ders notlarında ilgili kısımlara hazırlanılmalı |
| 5 | Derin Öğrenme ve Makine Görüsü | |
| 6 | Veri Hazırlama ve Veri Ambarları | Okuma ve video izleme |
| 7 | BÜYÜK VERİ BİLGİ SUNUMU | |
| 8 | DOĞAL DİL İŞLEME (NLP)METİN MADENCİLİĞİ (TM)WEB MADENCİLİĞİ (WM) | Ders notlarında ilgili kısımlara hazırlanılmalı |
| 9 | YZ ve Etik | Okuma ve video izleme |
| 10 | Denetimsiz Öğrenme, Uzaklık, Benzerlik, Grafik Merkezi ve Yapay Zeka | |
| 11 | İstatistiksel Öğrenme ve Model Seçimi. | |
| 12 | Denetimli - Denetimsiz Öğrenme Algoritmalarına Örnekler | |
| 13 | Genetik Algoritma Kavramları | Ders notlarında ilgili kısımlara hazırlanmalı |
| 14 | Python için kendi kütüphanemizi yazmak: Fuzzy C, algoritma anlamına gelir, XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri. | Python ortamını hazırlayın |
| Resources |
| Yapay Zekâ;Disiplinlerarası Yaklaşımlar Turkish Edition | by Banu Fulya Yıldırım | Jan 1, 2023 |
| HER DERSİN SONUNDA ÖĞRETİM ÜYESİ TARAFINDAN OKUMA VE/VEYA İZLEME GÖREVLERİ VERİLECEKTİR. Artificial Intelligence: Understanding Future's Language Kindle Edition by Umut Guney (Author) , 2023. |
Course Contribution to Program Qualifications
| Course Contribution to Program Qualifications | |||||||
| No | Program Qualification | Contribution Level | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | ||||||
| 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. | X | |||||
| 6 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | ||||||
| 7 | Bilişim ve yönetim alanında teorik ve uygulamaya yönelik bilgileri kullanır | ||||||
| 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. | ||||||
Assessment Methods
| Contribution Level | Absolute Evaluation | |
| Rate of Midterm Exam to Success | 40 | |
| Rate of Final Exam to Success | 60 | |
| Total | 100 | |
| ECTS / Workload Table | ||||||
| Activities | Number of | Duration(Hour) | Total Workload(Hour) | |||
| Ders Saati | 15 | 3 | 45 | |||
| Rehberli Problem Çözme | 4 | 1 | 4 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 7 | 5 | 35 | |||
| Okul Dışı Diğer Faaliyetler | 7 | 3 | 21 | |||
| Proje Sunumu / Seminer | 1 | 12 | 12 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 1 | 3 | 3 | |||
| Ara Sınav ve Hazırlığı | 1 | 6 | 6 | |||
| Genel Sınav ve Hazırlığı | 1 | 12 | 12 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Total Workload(Hour) | 138 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(138/30) | 5 | |||||
| ECTS of the course: 30 hours of work is counted as 1 ECTS credit. | ||||||
Detail Informations of the Course
Course Description
| Course | Code | Semester | T+P (Hour) | Credit | ECTS |
|---|---|---|---|---|---|
| YAPAY ZEKA | YBS3257520 | Bahar Dönemi | 3+0 | 3 | 5 |
| Course Program | Salı 11:00-11:45 Salı 12:00-12:45 Salı 12:45-13:30 Cumartesi 11:00-11:45 Cumartesi 12:00-12:45 Cumartesi 12:45-13:30 |
| Prerequisites Courses | |
| Recommended Elective Courses |
| Language of Course | Türkçe |
| Course Level | Lisans |
| Course Type | Programa Bağlı Seçmeli |
| Course Coordinator | Dr.Öğr.Üye. Nesibe MANAV MUTLU |
| Name of Lecturer(s) | Öğr.Gör.Dr. Şeyma BOZKURT UZAN |
| Assistant(s) | Yapay Zeka kavramı çerçevesinde, Makine Öğrenmesi algoritmalarını hem mantıksal hem de matematiksel boyutta algılayabilecek ve bir programlama dili ile bu algoritmaları geliştirebilecek öğrenci yetiştirmek. |
| Aim | Hands-On Machine Learning with Scikit-Learn and TensorFlow, Aurelien Geron (yazar), O'Reilly Yapay Zeka: Dijital Hayalet Turkish Edition | by Alexis Graf | Jan 1, 2023 |
| Course Content | Bu ders; Yapay Zekanın Tanımı ve Tarihçesi,Makine Öğrenmesi,Makine Öğrenmesi,YZ ve Robotlar,Derin Öğrenme ve Makine Görüsü,Veri Hazırlama ve Veri Ambarları,BÜYÜK VERİ BİLGİ SUNUMU,DOĞAL DİL İŞLEME (NLP)METİN MADENCİLİĞİ (TM)WEB MADENCİLİĞİ (WM),YZ ve Etik,Denetimsiz Öğrenme, Uzaklık, Benzerlik, Grafik Merkezi ve Yapay Zeka,İstatistiksel Öğrenme ve Model Seçimi.,Denetimli - Denetimsiz Öğrenme Algoritmalarına Örnekler,Genetik Algoritma Kavramları,Python için kendi kütüphanemizi yazmak: Fuzzy C, algoritma anlamına gelir, XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri.; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Teaching Methods | Assessment Methods |
| 1. Yapay zeka kavramını açıklayabilecektir. | 16, 9 | A |
| 1.1. Yapay zeka gelişimini anlatır. | 9 | D |
| 1.2. Yapay Zeka Teknolojilerini listeler. | 13, 9 | |
| 2. Zeki Sistemlerin özelliklerini açıklayabilecektir. | 16, 9 | A |
| 2.1. İşletmelerde kullanılan Zeki Sistem örneklerini karşılaştırır. | 13 | E |
| 3. Uzman Sistemleri tanımlayabilecektir. | 13, 9 | A |
| 3.1. Uzman Sistemlerin tarihçesini anlatır. | 16, 9 | |
| 3.2. Uzman Sistemleri tanıyarak çözülmesi gereken problemlere yaklaşır. | 6, 9 | |
| 4. Yapay sinir ağlarını açıklayabilecektir. | 13, 9 | E |
| 4.1. Yapay Sinir Ağlarının genel özelliklerini tanımlar. | 9 | |
| 4.2. Yapay Sinir Ağlarının çalışma ve öğrenme prensibini tartışır. | 9 | E |
| 4.3. Yapay Sinir Ağlarında en çok kullanılan modelleri uygular. | 6, 9 | E |
| 5. Gözetimli ve Gözetimsiz Öğrenme kavramlarını karşılaştırabilecektir. | 13, 9 | D |
| 5.1. Gözetimli öğrenme kavramını bilir. | 16, 9 | |
| 5.2. Gözetimsiz öğrenme kavramını tanımlar. | 16, 9 | |
| 6. Bulanık Mantık kavramını tanımlayabilecektir. | 6, 9 | D |
| 6.1. Bulanık Mantık Denetleyici Sistemlerini açıklar. | 13, 9 | |
| 6.2. Bulanık Mantık Denetleyici Uygulamalarını kullanır. | 13, 9 | E |
| 7. Genetik Algoritmaları izah edebilecektir. | 9 | A, E |
| 7.1. Algoritmada kullanılan Çaprazlama, Mutasyon, Başarılı gen seçimi işlemlerini fark eder. | 6, 9 | |
| 7.2. Genetik Algoritma Uygulamalarını tanır. | 2 | F |
| Teaching Methods: | 13: Örnek Olay Yöntemi, 16: Soru - Cevap Tekniği , 2: Proje Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Assessment Methods: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi |
Course Outline
| Order | Subjects | Preliminary Work |
|---|---|---|
| 1 | Yapay Zekanın Tanımı ve Tarihçesi | |
| 2 | Makine Öğrenmesi | Ders notlarının ilgili kısımlarına hazırlanılmalı |
| 3 | Makine Öğrenmesi | Ders notlarının ilgili kısımlarına hazırlanılmalı |
| 4 | YZ ve Robotlar | Ders notlarında ilgili kısımlara hazırlanılmalı |
| 5 | Derin Öğrenme ve Makine Görüsü | |
| 6 | Veri Hazırlama ve Veri Ambarları | Okuma ve video izleme |
| 7 | BÜYÜK VERİ BİLGİ SUNUMU | |
| 8 | DOĞAL DİL İŞLEME (NLP)METİN MADENCİLİĞİ (TM)WEB MADENCİLİĞİ (WM) | Ders notlarında ilgili kısımlara hazırlanılmalı |
| 9 | YZ ve Etik | Okuma ve video izleme |
| 10 | Denetimsiz Öğrenme, Uzaklık, Benzerlik, Grafik Merkezi ve Yapay Zeka | |
| 11 | İstatistiksel Öğrenme ve Model Seçimi. | |
| 12 | Denetimli - Denetimsiz Öğrenme Algoritmalarına Örnekler | |
| 13 | Genetik Algoritma Kavramları | Ders notlarında ilgili kısımlara hazırlanmalı |
| 14 | Python için kendi kütüphanemizi yazmak: Fuzzy C, algoritma anlamına gelir, XİE BENI ve diğer denetimsiz öğrenme algoritmalarının kalite ölçümleri. | Python ortamını hazırlayın |
| Resources |
| Yapay Zekâ;Disiplinlerarası Yaklaşımlar Turkish Edition | by Banu Fulya Yıldırım | Jan 1, 2023 |
| HER DERSİN SONUNDA ÖĞRETİM ÜYESİ TARAFINDAN OKUMA VE/VEYA İZLEME GÖREVLERİ VERİLECEKTİR. Artificial Intelligence: Understanding Future's Language Kindle Edition by Umut Guney (Author) , 2023. |
Course Contribution to Program Qualifications
| Course Contribution to Program Qualifications | |||||||
| No | Program Qualification | Contribution Level | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | ||||||
| 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. | X | |||||
| 6 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | ||||||
| 7 | Bilişim ve yönetim alanında teorik ve uygulamaya yönelik bilgileri kullanır | ||||||
| 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. | ||||||
Assessment Methods
| Contribution Level | Absolute Evaluation | |
| Rate of Midterm Exam to Success | 40 | |
| Rate of Final Exam to Success | 60 | |
| Total | 100 | |