| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Yapay Zeka | ELE 518 | 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 | Diğer |
| 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 |
| 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 | ||