| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 5 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Yapay zeka kavramını, tarihsel gelişimini ve temel uygulama alanlarını öğrenir.
- Makine öğrenmesi ve sinir ağları gibi temel yöntemlerin mantığını kavrar.
- Klasik yapay zeka algoritmalarını (arama, mantıksal çıkarım, uzman sistemler) anlar.
- Temel sınıflandırma, regresyon ve kümeleme tekniklerini uygular.
- Günümüzde yapay zekanın toplumsal etkilerini ve etik boyutlarını tartışır.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | |
|---|
| Ders Tanımı | Bu ders kapsamında öğrencilerin, bilgisayarların gelişmesi ile günlük hayatımızın bir parçası haline gelmeye başlamış Yapay Zeka kavramını tanıması ve çalışma prensiplerini öğrenmesi amaçlanmaktadır. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Yapay zekaya giriş: Tanımlar, tarihsel gelişim, uygulama alanları |
|
2. Hafta |
Yapay zekada temel kavramlar: Akıllı ajanlar, problem çözme yaklaşımı |
|
3. Hafta |
Arama algoritmaları: Genişlik öncelikli arama, derinlik öncelikli arama, sezgisel arama |
|
4. Hafta |
Bilgi temsili ve mantık: Önerme mantığı, çıkarım kuralları |
|
5. Hafta |
Uzman sistemler ve karar destek sistemleri |
|
6. Hafta |
Makine öğrenmesine giriş: Temel kavramlar, denetimli / denetimsiz öğrenme |
|
7. Hafta |
Sınıflandırma algoritmaları: Karar ağaçları, k-en yakın komşu (kNN) |
|
8. Hafta |
Ara sınav |
|
9. Hafta |
Regresyon ve kümeleme algoritmaları: Lineer regresyon, k-means |
|
10. Hafta |
Yapay sinir ağlarına giriş: Perceptron ve çok katmanlı yapılar |
|
11. Hafta |
Python ile yapay zeka uygulamaları (scikit-learn ile örnekler) |
|
12. Hafta |
Doğal dil işleme temelleri (temel metin sınıflandırma uygulamaları) |
|
13. Hafta |
Yapay zekada güncel konular ve etik tartışmalar |
|
14. Hafta |
Ödev Sunumları |
|
| Kaynaklar | Stuart J. Russell & Peter Norvig, Artificial Intelligence: A Modern Approach, 4th Edition, Pearson, 2021.
Tom M. Mitchell, Machine Learning, McGraw-Hill, 1997.
Ethem Alpaydın, Yapay Öğrenme, Boğaziçi Üniversitesi Yayınları, 2020.
Ali Yazıcı, Makine Öğrenmesi ve Yapay Zeka: Kavramlar ve Algoritmalar, Nobel Akademik Yayıncılık, 2021. |
|---|
| Öğretim Yöntemleri |
- Anlatım
- Tartışma
- Soru-Cevap
- Sorun/Problem Çözme
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
30 |
| Ödev |
1 |
30 |
| Toplam(%) |
|
60 |
| Yıl İçinin Başarıya Oranı(%) |
|
60 |
| Finalin Başarıya Oranı(%) |
|
40 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
3 |
3 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
3 |
42 |
| Final Sınavına Hazırlık |
1 |
25 |
25 |
| Ders Saati |
14 |
3 |
42 |
| Ara Sınava Hazırlık |
1 |
25 |
25 |
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
3 |
3 |
| Ödevler |
1 |
9 |
9 |
| Toplam İş Yükü | 149 |
| Toplam İş Yükü / 30 | 4.96 |
| Dersin AKTS Kredisi | 5 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
