1. Eğitim Bilgi Sistemi
  2. Yazılım Mühendisliği (İngilizce)
  3. Doğal Dil İşleme (2025 - 2026)
Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Doğal Dil İşleme SWE 420 7 3 + 0 3 5
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili İngilizce
Dersin Seviyesi Lisans
Dersin Türü Seçmeli
Dersin Koordinatörü Dr.Öğr.Üyesi BEYZA EKEN
Dersi Verenler Dr.Öğr.Üyesi BEYZA EKEN,
Dersin Yardımcıları
Dersin Kategorisi Diğer
Dersin Amacı

Doğal dil işlemenin (NLP) temel kavramlarını, yöntemlerini ve uygulama alanlarını öğretmek; öğrencilerin metin verisi üzerinde dilsel ön işleme, sınıflandırma, istatistiksel modelleme ve anlamsal temsil tekniklerini anlayıp uygulayabilmelerini sağlamaktır. Ders, modern doğal dil işleme sistemlerinin arkasındaki olasılıksal ve sinir ağı tabanlı yaklaşımlara giriş yaparak, öğrencilere hem teorik temelleri hem de pratik becerileri kazandırmayı hedefler.
Dersin İçeriği

Doğal dil işlemenin kapsamı ve uygulama alanlarına genel bakış. Temel kavramlar, dilbilimsel temeller ve dil işleme zorlukları. Metin ön işleme, kelime ve n-gram temsilleri, metin sınıflandırma yöntemleri (Naive Bayes, Lojistik Regresyon). Duygu analizi uygulamaları. Anlamsal temsil yöntemleri (TF-IDF, word2vec). Dizi etiketleme yöntemleri (POS etiketleme, ad varlık tanıma) ve gizli Markov modelleri. Sinir ağı temelli dil modelleri, anlamsal vektör temsilleri ve makine çevirisine giriş.
# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Doğal dil işlemenin temel kavramlarını, kapsamını ve uygulama alanlarını açıklar Deney ve Laboratuvar,
2 Metin ön işleme, sözcük temsilleri ve istatistiksel dil modelleri gibi temel NLP yöntemlerini uygular.
3 Naive Bayes ve lojistik regresyon algoritmalarını kullanarak metin sınıflandırma modelleri geliştirir ve değerlendirir.
4 TF-IDF, word2vec ve GloVe gibi anlamsal temsil tekniklerini açıklar ve uygulayabilir.
5 Dizi etiketleme yöntemlerini (HMM, NER, POS tagging) açıklar ve küçük ölçekli uygulamalar gerçekleştirir.
6 Yapay sinir ağlarının temel prensiplerini ve NLP’deki kullanım alanlarını tanımlar.
7 Makine çevirisi gibi ileri NLP uygulamalarının çalışma prensiplerini açıklar.
8 NLP modellerinin performansını uygun ölçütlerle (doğruluk, F1, precision, recall) değerlendirir.
9 Bir NLP projesi tasarlayıp veri ön işleme, model eğitimi ve sonuç sunumu aşamalarını yürütür.
10 Etik, toplumsal ve dilsel önyargı konularında farkındalık geliştirir ve NLP uygulamalarında bunları gözetir.
Hafta Ders Konuları Ön Hazırlık
1 Course introduction, Overview of NLP
2 Basic text processing, Edit distance algorithm
3 Text classification with Naive Bayes
4 Text classification with Logistic Regression
5 Applications of text classification: sentiment analysis
6 N-grams, Language models
7 Meaning representations: TF-IDF, word2vec, glove
8 Midterm
9 Student Projects Demo and Presentation
10 Sequence labeling: hidden markov models
11 Applications of sequence labeling: named entity recognition, pos tagging
12 Neural networks
13 Machine translation
14 Student Projects Demo and Presentation
Kaynaklar
Ders Notu
Ders Kaynakları

Natural Language Processing, Jacob Eisenstein, 2018.

Speech and Language Processing, Jurafsky & Martin, 3rd Ed. Draft, 2024.

Foundations Of Statistical Natural Language Processing, Manning & Shütze, MIT Press, 1999.
Sıra Program Çıktıları Katkı Düzeyi
1 2 3 4 5
1 Mühendislik Bilgisi: Matematik, fen bilimleri, temel mühendislik, bilgisayarla hesaplama ve ilgili mühendislik disiplinine özgü konularda bilgi; bu bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi. X
2 Problem Analizi: Karmaşık mühendislik problemlerini, temel bilim, matematik ve mühendislik bilgilerini kullanarak ve ele alınan problemle ilgili BM Sürdürülebilir Kalkınma Amaçlarını gözeterek tanımlama, formüle etme ve analiz becerisi. X
3 Mühendislik Tasarımı: Karmaşık mühendislik problemlerine yaratıcı çözümler tasarlama becerisi; karmaşık sistemleri, süreçleri, cihazları veya ürünleri gerçekçi kısıtları ve koşulları gözeterek, mevcut ve gelecekteki gereksinimleri karşılayacak biçimde tasarlama becerisi. X
4 Teknik ve Araçların Kullanımı: Karmaşık mühendislik problemlerinin analizi ve çözümüne yönelik, tahmin ve modelleme de dahil olmak üzere, uygun teknikleri, kaynakları ve modern mühendislik ve bilişim araçlarını, sınırlamalarının da farkında olarak seçme ve kullanma becerisi. X
5 Araştırma ve İnceleme: Karmaşık mühendislik problemlerinin incelenmesi için literatür araştırması, deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama dahil, araştırma yöntemlerini kullanma becerisi. X
6 Mühendislik Uygulamalarının Küresel Etkisi: Mühendislik uygulamalarının BM Sürdürülebilir Kalkınma Amaçları* kapsamında, topluma, sağlık ve güvenliğe, ekonomiye, sürdürülebilirlik ve çevreye etkileri hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık.
7 Mühendislik Etiği: Mühendislik meslek ilkelerine* uygun davranma, etik sorumluluk hakkında bilgi; hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık. X
8 Bireysel ve Takım Çalışması: Bireysel olarak ve disiplin içi ve çok disiplinli takımlarda (yüz yüze, uzaktan veya karma) takım üyesi veya lideri olarak etkin biçimde çalışabilme becerisi.
9 Sözlü ve Yazılı İletişim: Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü, yazılı etkin iletişim kurma becerisi.
10 Proje Yönetimi: Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi; girişimcilik ve yenilikçilik hakkında farkındalık.
11 Yaşam Boyu Öğrenme: Bağımsız ve sürekli öğrenebilme, yeni ve gelişmekte olan teknolojilere uyum sağlayabilme ve teknolojik değişimlerle ilgili sorgulayıcı düşünebilmeyi kapsayan yaşam boyu öğrenme becerisi.
# Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı PÇ 1 PÇ 2 PÇ 3 PÇ 4 PÇ 5 PÇ 6 PÇ 7 PÇ 8 PÇ 9 PÇ 10 PÇ 11
1 Doğal dil işlemenin temel kavramlarını, kapsamını ve uygulama alanlarını açıklar
2 Metin ön işleme, sözcük temsilleri ve istatistiksel dil modelleri gibi temel NLP yöntemlerini uygular.
3 Naive Bayes ve lojistik regresyon algoritmalarını kullanarak metin sınıflandırma modelleri geliştirir ve değerlendirir.
4 TF-IDF, word2vec ve GloVe gibi anlamsal temsil tekniklerini açıklar ve uygulayabilir.
5 Dizi etiketleme yöntemlerini (HMM, NER, POS tagging) açıklar ve küçük ölçekli uygulamalar gerçekleştirir.
6 Yapay sinir ağlarının temel prensiplerini ve NLP’deki kullanım alanlarını tanımlar.
7 Makine çevirisi gibi ileri NLP uygulamalarının çalışma prensiplerini açıklar.
8 NLP modellerinin performansını uygun ölçütlerle (doğruluk, F1, precision, recall) değerlendirir.
9 Bir NLP projesi tasarlayıp veri ön işleme, model eğitimi ve sonuç sunumu aşamalarını yürütür.
10 Etik, toplumsal ve dilsel önyargı konularında farkındalık geliştirir ve NLP uygulamalarında bunları gözetir.
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
Toplam 0
Toplam 0
AKTS - İş Yükü Etkinlik Sayı Süre (Saat) Toplam İş Yükü (Saat)
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 3 48
Ara Sınav 1 10 10
Ödev 1 2 2
Final 1 10 10
Proje / Tasarım 0 20 0
Toplam İş Yükü 118
Toplam İş Yükü / 25 (Saat) 4,72
dersAKTSKredisi 5