GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| EINS109 | İnşaat Mühendisliğinde Yapay Zeka | Ders | 1 | 1 | 2.00 | 2.00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu ders, yapay zekâ kavramlarının temellerini, inşaat mühendisliğinde kullanılan veri türlerini, veri işleme tekniklerini, makine öğrenmesi algoritmalarını, MATLAB ve Python gibi mühendislik yazılımlarını ve gerçek proje uygulamalarında yapay zekâ kullanımını öğretmeyi amaçlar. Öğrenciler; AI’nin projelerde planlama, maliyet analizleri, insan kaynakları yönetimi, karar destek sistemleri ve yapısal/altyapı izleme gibi alanlardaki rolünü deneyimleyerek öğrenir.
Dersi Veren Öğretim GörevlisiGörevlileri
Dr. Alvand MOSHFEGHI
Öğrenme Çıktıları
| 1 | Yapay zekânın temel kavramlarını ve tarihsel gelişimini açıklar. |
| 2 | AI’nın alt alanlarını (ML, DL, CV, NLP) ve inşaattaki kullanımlarını tanımlar. |
| 3 | Veri toplama, veri temizleme ve veri yönetimi süreçlerini açıklar. |
| 4 | MATLAB ve Python gibi AI yazılımlarının temel işlevlerini açıklar. |
| 5 | AI algoritmalarını mühendislik problemlerine uygulamak için gerekli veri hazırlığını yapar. |
| 6 | MATLAB ile veri işleme, analiz ve basit ML uygulamaları yapar. |
| 7 | Proje finans yönetimi ve insan kaynakları yönetiminde AI kullanımını örneklerle açıklar. |
| 8 | Python kütüphanelerini (NumPy, Pandas, Scikit-Learn, Matplotlib vb.) uygular. |
| 9 | Python ile temel bir yapay zekâ projesi tasarlar. |
| 10 | Python ile kendi projesini geliştirir ve çıktıları mühendislik bakış açısıyla yorumlar. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Bu ders, yapay zekâ temelleri ve alt alanları (makine öğrenmesi, derin öğrenme, bilgisayarla görü, doğal dil işleme) ile inşaat mühendisliği uygulamaları arasındaki ilişkiyi kapsamaktadır. Dersin içeriği; veri türlerinin tanımlanması, veri toplama süreçleri, veri temizleme ve ön işleme teknikleri, makine öğrenmesi algoritmalarının sınıflandırılması, regresyon–sınıflandırma–kümeleme modellerinin uygulanması, model değerlendirme kriterlerinin kullanılması ve yapay zekâ çıktılarını mühendislik karar destek sistemlerine entegre etme konularını içerir. Python tabanlı veri analizi araçlarının (NumPy, Pandas, Scikit-Learn, TensorFlow) temel kullanımı, küçük ölçekli makine öğrenmesi modellerinin geliştirilmesi, sonuçların yorumlanması ve doğrulama yöntemlerinin uygulanması da dersin uygulama kapsamındadır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|
| 1 | Tanıtım ve tarihçe AI’nın gelişimi, mühendislikte AI | ||
| 2 | AI alt alanları ve inşaattaki kullanımlar ML, DL, CV, NLP, uygulama örnekleri | Anlatarak | |
| 3 | Veri toplama & yönetim Veri kaynakları, sensör verileri, veri temizleme | ||
| 4 | AI yazılımları MATLAB, Python, TensorFlow, BIM + AI | ||
| 5 | Finans & İnsan Kaynaklarında AI Maliyet tahmini, risk analizi, performans tahmini | ||
| 6 | MATLAB uygulamaları Veri analizi, temel ML | ||
| 7 | Önceki bölümlerin değerelendirmesi ve açık tartışma | ||
| 8 | Vize Haftası | ||
| 9 | MATLAB & muhasebe işlemleri Excel veri analizi, otomasyon | ||
| 10 | MATLAB örnek soru çözümü ML, regresyon, sınıflandırma | ||
| 11 | Python tanıtımı Temeller, IDE, paket yönetimi | ||
| 12 | Python kütüphaneleri NumPy, Pandas, Matplotlib, Scikit-Learn | ||
| 13 | Python ile proje uygulaması Model eğitimi, doğrulama, raporlama | ||
| 14 | Değerlendirme ve Açık Tartışma |
Ders Kitabı Malzemesi Önerilen Kaynaklar
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. • Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. • Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. • Khoshnevisan, S. (2023). Artificial Intelligence in Civil and Building Engineering. Springer.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| 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 | 14 | 2 | 28 |
| Bireysel Çalışma | 14 | 1 | 14 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 5 | 5 |
| Final Sınavı içiin Bireysel Çalışma | 2 | 5 | 10 |
| Toplam İş Yükü (saat) | 59 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | |
| ÖÇ 1 | 3 | 3 | 1 | 2 | 2 | 1 | 2 | 3 | 3 | 3 | 2 |
| ÖÇ 2 | 4 | 3 | 1 | 2 | 3 | 1 | 2 | 3 | 4 | 3 | 2 |
| ÖÇ 3 | 4 | 2 | 3 | 3 | 3 | 1 | 1 | 2 | 3 | 3 | 2 |
| ÖÇ 4 | 3 | 3 | 2 | 3 | 4 | 1 | 1 | 2 | 3 | 3 | 3 |
| ÖÇ 5 | 3 | 3 | 1 | 2 | 2 | 4 | 3 | 3 | 3 | 4 | 3 |
| ÖÇ 6 | 3 | 3 | 3 | 3 | 2 | 1 | 1 | 2 | 3 | 3 | 4 |
| ÖÇ 7 | 3 | 3 | 2 | 2 | 4 | 1 | 1 | 2 | 3 | 3 | 4 |
| ÖÇ 8 | 3 | 4 | 2 | 3 | 5 | 1 | 1 | 2 | 3 | 3 | 3 |
| ÖÇ 9 | 3 | 4 | 2 | 4 | 5 | 2 | 1 | 3 | 4 | 4 | 5 |
| ÖÇ 10 | 3 | 4 | 2 | 4 | 5 | 2 | 2 | 3 | 4 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek