| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Doğal Dil İşleme | SWE 420 | 8 | 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. |
| Özel Koşullar | |
| Sektör Desteği | |
| Destekleyen Firma | |
| Destekleyen Eğitmen |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Doğal dil işlemenin temel kavramlarını, gelişimini (kural tabanlı, istatistiksel, sinirsel yaklaşımlar ve büyük dil modelleri) ve uygulama alanlarını açıklar. | Deney ve Laboratuvar, | |
| 2 | Metin ön işleme yöntemlerini (sözcük birimlerine ayırma, normalleştirme, düzenleme uzaklığı) uygular ve istatistiksel (n-gram) dil modellerini açıklar. | ||
| 3 | Sayım tabanlı (terim frekansı–ters belge frekansı) ve yoğun (embeddings) temsilleri açıklar. | ||
| 4 | Naive Bayes ve lojistik regresyon ile metin sınıflandırma modelleri geliştirir ve bunları uygun ölçütlerle (doğruluk, kesinlik, duyarlılık, F1 ölçütü) değerlendirir. | ||
| 5 | Dizi etiketleme yöntemlerini (Gizli Markov Modelleri, sözcük türü etiketleme, adlandırılmış varlık tanıma) açıklar. | ||
| 6 | Diziden diziye modeller (seq2seq), makine çevirisi, metin özetleme, soru cevaplama ve büyük dil modelleri (ön eğitim, ince ayar, istem tasarımı) gibi ileri doğal dil işleme yaklaşımlarını açıklar. | ||
| 7 | Anlamsal benzerlik tekniklerini ve erişim destekli üretim (RAG) yaklaşımını açıklar ve uygular. | ||
| 8 | NLP uygulamalarında performans ölçütlerini değerlendirir. | ||
| 9 | Büyük dil modellerinin temel bileşenlerini (dönüştürücü mimarisi, ön eğitim, ince ayar) açıklar; istem mühendisliği ve erişim destekli üretim yöntemlerini kullanarak uygulama geliştirir. | ||
| 10 | Bir doğal dil işleme problemi için veri hazırlama, model ve yöntem seçimi, eğitim ve değerlendirme adımlarını içeren bir proje geliştirir ve sonuçlarını sunar. |
| 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, Statistical language models, Large Language Models | |
| 7 | Meaning representations: TF-IDF, word2vec | |
| 8 | Midterm | |
| 9 | Neural embeddings | |
| 10 | Sequence labeling with Hidden Markov Models | |
| 11 | Applications of sequence labeling: named entity recognition, pos tagging | |
| 12 | Machine translation, seq2seq models | |
| 13 | Student projects demo and presentation | |
| 14 | Student projects demo and presentation |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | Speech and Language Processing, Jurafsky & Martin, 3rd Ed. Draft, 2024. Natural Language Processing, Jacob Eisenstein, 2018. 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. | X | |||||
| 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, gelişimini (kural tabanlı, istatistiksel, sinirsel yaklaşımlar ve büyük dil modelleri) ve uygulama alanlarını açıklar. | |||||||||||
| 2 | Metin ön işleme yöntemlerini (sözcük birimlerine ayırma, normalleştirme, düzenleme uzaklığı) uygular ve istatistiksel (n-gram) dil modellerini açıklar. | |||||||||||
| 3 | Sayım tabanlı (terim frekansı–ters belge frekansı) ve yoğun (embeddings) temsilleri açıklar. | |||||||||||
| 4 | Naive Bayes ve lojistik regresyon ile metin sınıflandırma modelleri geliştirir ve bunları uygun ölçütlerle (doğruluk, kesinlik, duyarlılık, F1 ölçütü) değerlendirir. | |||||||||||
| 5 | Dizi etiketleme yöntemlerini (Gizli Markov Modelleri, sözcük türü etiketleme, adlandırılmış varlık tanıma) açıklar. | |||||||||||
| 6 | Diziden diziye modeller (seq2seq), makine çevirisi, metin özetleme, soru cevaplama ve büyük dil modelleri (ön eğitim, ince ayar, istem tasarımı) gibi ileri doğal dil işleme yaklaşımlarını açıklar. | |||||||||||
| 7 | Anlamsal benzerlik tekniklerini ve erişim destekli üretim (RAG) yaklaşımını açıklar ve uygular. | |||||||||||
| 8 | NLP uygulamalarında performans ölçütlerini değerlendirir. | |||||||||||
| 9 | Büyük dil modellerinin temel bileşenlerini (dönüştürücü mimarisi, ön eğitim, ince ayar) açıklar; istem mühendisliği ve erişim destekli üretim yöntemlerini kullanarak uygulama geliştirir. | |||||||||||
| 10 | Bir doğal dil işleme problemi için veri hazırlama, model ve yöntem seçimi, eğitim ve değerlendirme adımlarını içeren bir proje geliştirir ve sonuçlarını sunar. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ödev | 10 |
| 1. Ara Sınav | 40 |
| 1. Proje / Tasarım | 10 |
| 2. Ödev | 10 |
| 2. Proje / Tasarım | 30 |
| Toplam | 100 |
| 1. Final | 30 |
| 1. Yıl İçinin Başarıya | 70 |
| 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 |
| 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 | ||