| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Yapay Zeka | EEM 509 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Doç.Dr. MUHAMMED KÜRŞAD UÇAR |
| Dersi Verenler | Doç.Dr. MUHAMMED KÜRŞAD UÇAR, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Temel Öğretim |
| Dersin Amacı | Yapay zeka konusunda teknik bilgi sahibi olabilmek ve mühendislik alanında uygulayarak problemlere çözüm üretebilmektir. |
| Dersin İçeriği | 1. Yapay Zeka Giriş 2. Makine Öğrenmesi, Yapay Zeka ve Derin Öğrenme 3. Sınıflandırma Algoritmaları 4. Sınıflandırma Algoritmaları Performans Değerlendirme Kriterleri 5. Matlab Tabanlı Sınıflandırma Uygulamaları 6. Regresyon Algoritmaları 7. Regresyon Algoritmaları Performans Değerlendirme Kriterleri 8. Matlab Tabanlı Regresyon Uygulamaları |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Yapay zekâ temellerini öğrenmek | Anlatım, | Ödev, Proje / Tasarım, Sınav, |
| 2 | Yapay zekâ ile problem çözme sürecini tasarlamayı öğrenmek | Alıştırma ve Uygulama, Anlatım, | Proje / Tasarım, Ödev, Sınav, |
| 3 | Yapay zekâ sınıflandırma algoritmalarını öğrenmek | Alıştırma ve Uygulama, Anlatım, | Sınav, Proje / Tasarım, Ödev, |
| 4 | Yapay zekâ sınıflandırma algoritmaları performansını test etmeyi öğrenmek | Alıştırma ve Uygulama, Anlatım, | Sınav, Proje / Tasarım, Ödev, |
| 5 | Yapay zekâ regresyon algoritmalarını öğrenmek | Alıştırma ve Uygulama, Anlatım, | Sınav, Proje / Tasarım, Ödev, |
| 6 | Yapay zekâ regresyon algoritmaları performansını test etmeyi öğrenmek | Alıştırma ve Uygulama, Anlatım, | Sınav, Proje / Tasarım, Ödev, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Yapay Zeka Giriş | |
| 2 | Makine Öğrenmesi, Yapay Zeka ve Derin Öğrenme | |
| 3 | Sınıflandırma Algoritmaları | |
| 4 | Sınıflandırma Algoritmaları | |
| 5 | Sınıflandırma Algoritmaları Performans Değerlendirme Kriterleri | |
| 6 | Sınıflandırma Algoritmaları Performans Değerlendirme Kriterleri | |
| 7 | Matlab Tabanlı Sınıflandırma Uygulamaları | |
| 8 | Matlab Tabanlı Sınıflandırma Uygulamaları | |
| 9 | Regresyon Algoritmaları | |
| 10 | Regresyon Algoritmaları | |
| 11 | Regresyon Algoritmaları Performans Değerlendirme Kriterleri | |
| 12 | Regresyon Algoritmaları Performans Değerlendirme Kriterleri | |
| 13 | Matlab Tabanlı Regresyon Uygulamaları | |
| 14 | Matlab Tabanlı Regresyon Uygulamaları |
| Kaynaklar | |
|---|---|
| Ders Notu | Haftalık Paylaşım Yapılacaktır. |
| Ders Kaynakları | Ian Witten Eibe Frank Mark Hall Christopher Pal “Data Mining, Practical Machine Learning Tools and Techniques” https://www.sciencedirect.com/book/9780128042915/data-mining Chris AldrichLidia Auret, “Unsupervised Process Monitoring and Fault Diagnosis with Machine Learning Methods” https://link.springer.com/book/10.1007/978-1-4471-5185-2 |
| Hafta | Dokümanlar | Açıklama | Boyut |
|---|---|---|---|
| 0 | Tanıtım Dersi | 4,33 MB | |
| 0 | Tecrübe Matrisi Oluşturma | 0 MB | |
| 0 | Temel Kavramlar | 0 MB |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşabilme, bilgiyi değerlendirme, yorumlama ve uygulama becerisi | X | |||||
| 2 | Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlayabilme ve uygulama becerisi; değişik disiplinlere ait bilgileri bütünleştirebilme becerisi | ||||||
| 3 | Mühendislik problemlerini kurgulayabilme, çözmek için yöntem geliştirme ve çözümlerde yenilikçi yöntemler uygulama becerisi | X | |||||
| 4 | Yeni ve orijinal fikir ve yöntemler geliştirme becerisi; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirebilme becerisi | X | |||||
| 5 | Mühendislikte uygulanan modern teknik ve yöntemler ile bunların sınırları hakkında kapsamlı bilgi | ||||||
| 6 | Analitik, modelleme ve deneysel esaslı araştırmaları tasarlama ve uygulama becerisi; bu süreçte karşılaşılan karmaşık durumları analiz etme ve yorumlama becerisi | X | |||||
| 7 | Gereksinim duyulan bilgi ve verileri tanımlama, bunlara ulaşma ve değerlendirmede ileri düzeyde beceri | ||||||
| 8 | Çok disiplinli takımlarda liderlik yapma, karmaşık durumlarda çözüm yaklaşımları geliştirebilme ve sorumluluk alma becerisi | ||||||
| 9 | Çalışmalarının süreç ve sonuçlarını, o alandaki veya dışındaki ulusal ve uluslar arası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarabilme becerisi | ||||||
| 10 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetme yeterliliği | ||||||
| 11 | Mesleğinin yeni ve gelişmekte olan uygulamaları hakkında farkındalık; gerektiğinde bunları inceleme ve öğrenebilme becerisi | ||||||
| 12 | Mühendislik uygulamalarının sosyal ve çevresel boyutlarını anlama ve sosyal çevreye uyum becerisi | ||||||
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 25 |
| 1. Proje / Tasarım | 25 |
| 1. Ödev | 25 |
| 2. Ödev | 25 |
| Toplam | 100 |
| 1. Final | 40 |
| 1. Yıl İçinin Başarıya | 60 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Ara Sınav | 1 | 7 | 7 |
| Proje / Tasarım | 1 | 7 | 7 |
| Ödev | 2 | 7 | 14 |
| Final | 1 | 9 | 9 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 4 | 64 |
| Toplam İş Yükü | 149 | ||
| Toplam İş Yükü / 25 (Saat) | 5,96 | ||
| Dersin AKTS Kredisi | 6 | ||