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

Kalkınma Amaçları
# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Yapay zekâ temellerini öğrenmek Anlatım,
2 Yapay zekâ ile problem çözme sürecini tasarlamayı öğrenmek Tartışma, Anlatım,
3 Yapay zekâ sınıflandırma algoritmalarını öğrenmek Tartışma, Anlatım,
4 Yapay zekâ sınıflandırma algoritmaları performansını test etmeyi öğrenmek Tartışma, Anlatım,
5 Yapay zekâ regresyon algoritmalarını öğrenmek Tartışma, Anlatım,
6 Yapay zekâ regresyon algoritmaları performansını test etmeyi öğrenmek Tartışma, Anlatım,
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

Sıra Program Çıktıları Katkı Düzeyi
1 2 3 4 5
1 Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır.
2 Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular.
3 Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır. X
4 Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
5 Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır.
# Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı PÇ 1 PÇ 2 PÇ 3 PÇ 4 PÇ 5
1 Yapay zekâ temellerini öğrenmek
2 Yapay zekâ ile problem çözme sürecini tasarlamayı öğrenmek
3 Yapay zekâ sınıflandırma algoritmalarını öğrenmek
4 Yapay zekâ sınıflandırma algoritmaları performansını test etmeyi öğrenmek
5 Yapay zekâ regresyon algoritmalarını öğrenmek
6 Yapay zekâ regresyon algoritmaları performansını test etmeyi öğrenmek
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
1. Ara Sınav 25
1. Proje / Tasarım 75
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