GERİ DÖN

Ders Öğretim Planı

Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS Kredi
EYZG403 Yapay Zekâ ve Makina Ögrenmesi Ders 4 7 5.00 3.00

Dersin Seviyesi

Lisans

Dersin Sunulduğu Dil

Dersin Amacı

Bu dersin amacı, öğrencilere yapay zekâ ve makine öğrenmesinin temel kavramlarını, yöntemlerini ve uygulama alanlarını dengeli bir bakış açısıyla kazandırmaktır. Öğrenciler, klasik yapay zekâ tekniklerinden modern veri güdümlü öğrenme yaklaşımlarına kadar uzanan yöntemleri anlayacak; hem teorik kavrayış hem de pratik model geliştirme becerisi edineceklerdir.

Dersi Veren Öğretim GörevlisiGörevlileri

Öğrenme Çıktıları

1 Yapay zekâ ve makine öğrenmesinin temel kavramlarını açıklar.
2 Farklı problem türlerine uygun öğrenme yöntemlerini seçer ve uygular.
3 Temel makine öğrenmesi algoritmalarını kullanarak modeller geliştirir.
4 Model performansını uygun metriklerle değerlendirir ve yorumlar.
5 Özellik mühendisliği, düzenlileştirme ve optimizasyon tekniklerini uygular.
6 Basit derin öğrenme modelleri tasarlar ve gerçek veri üzerinde test eder.

Öğrenim Türü

Birinci Öğretim

Dersin Ön Koşulu Olan Dersler

Ders İçin Önerilen Diğer Hususlar

Yok

Dersin İçeriği

Yapay zekâya giriş, problem çözme yaklaşımları, arama algoritmaları, kural tabanlı sistemler, makine öğrenmesine giriş, denetimli ve denetimsiz öğrenme yöntemleri, model değerlendirme metrikleri, özellik mühendisliği, regresyon ve sınıflandırma algoritmaları, kümeleme teknikleri, temel sinir ağları, derin öğrenmeye giriş, optimizasyon kavramları, aşırı öğrenme ve düzenlileştirme yöntemleri, uygulamalı proje geliştirme.

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik Uygulama [OgretimYontemVeTeknikleri] [OnHazirlik]
1 Yapay zekâya giriş, temel kavramlar Anlatım Giriş bölümlerinin okunması
2 AI problem tanımı, durum uzayı, problem çözme Anlatım, örnek çözüm Durum uzayı kavramlarının incelenmesi
3 Arama algoritmaları: BFS, DFS, uniform-cost Arama stratejilerinin okunması
4 Sezgisel arama, A* algoritması Anlatım, problem çözümü Heuristikler hakkında kısa okuma
5 Kural tabanlı sistemler ve çıkarım Anlatım, örnek sistem inceleme Kural mantığının incelenmesi
6 Makine öğrenmesine giriş, veri seti yapısı Anlatım, pratik gösterim ML temel kavramları okuması
7 Denetimli öğrenme: regresyon modelleri Kod uygulamaları Lineer regresyon temelleri
8 Ara sinav
9 Sınıflandırma: k-NN, lojistik regresyon Uygulamalı anlatım Temel sınıflandırıcıların okunması
10 Karar ağaçları, random forest Kod çözümü ve örnek inceleme
11 Denetimsiz öğrenme: k-means, hiyerarşik kümeleme Anlatım, pratik örnekler Kümeleme temelleri
12 Model değerlendirme: doğruluk, F1, ROC-AUC Analiz, uygulama Değerlendirme metriklerinin incelenmesi
13 Sinir ağları ve temel derin öğrenme Anlatım, küçük örnek uygulama NN temel okuma
14 Aşırı öğrenme, düzenlileştirme, optimizasyon Örnek inceleme Regularization teknikleri

Ders Kitabı Malzemesi Önerilen Kaynaklar

Planlanan Öğrenme Aktiviteleri ve Metodları

Değerlendirme

Yarıyıl (Yıl) İçi Etkinlikleri Adet Değer
Ara Sınav 1 50
Derse Katılım 1 50
Toplam 100
Yarıyıl (Yıl) Sonu Etkinlikleri Adet Değer
Final Sınavı 1 100
Toplam 100
Yarıyıl (Yıl) İçi Etkinlikleri 40
Yarıyıl (Yıl) Sonu Etkinlikleri 60

Staj Durumu

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ara Sınav 1 1 1
Final Sınavı 1 1 1
Derse Katılım 11 11 121
Toplam İş Yükü (saat) 123

Program ve Öğrenme Çıktıları İlişkisi

ÖÇ 1
ÖÇ 2
ÖÇ 3
ÖÇ 4
ÖÇ 5
ÖÇ 6
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek