| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 5 |
|---|
| Öğretim Eleman(lar)ı |
|
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Bilişim sistemleri ve yapay zeka uygulamalarını işletmelerin stratejik amaçlarına uygun şekilde kullanmak için gereken bilgi ve becerilere sahip olur.
- Büyük veri, veri madenciliği, makine öğrenmesi (MÖ), derin öğrenme gibi konu alanlarının temel bilgisine, farklılıklarına, uygulama amaçlarına ve yöntemlerine hakim olur.
- Makine öğrenmesinin bileşenlerini, matematiksel ve istatistiksel temellerini bilir ve uygulayabilir.
- Makine öğrenmesinin genel uygulama adımlarına aşina olur ve çeşitli problemlerin çözümünde kullanabilir.
- Makine öğrenmesinin genel uygulama adımlarını proje yönetimi disiplini çerçevesinde uygular.
- Makine öğrenmesi yazılım ve uygulama geliştirme ortamlarını tanır ve farklı problemlerin çözümünde bunları kullanır.
- Gözetimli makine öğrenmesi modellerini ve algoritmalarını bilir ve uygular.
- Gözetimsiz makine öğrenmesi modellerini ve algoritmalarını bilir ve uygular.
- Görüntü işleme öğrenme modellerini ve algoritmalarını bilir ve uygular.
- Metin ve doğal dil işleme öğrenme modellerini ve algoritmalarını bilir ve uygular.
- İş ile ilgili bir sorunu çözmek amacıyla makine öğrenmesi üzerine bir dönem projesi yürütür, bu süreçte makine öğrenmesi analizi, tasarımı ve uygulama adımlarını gerçekleştirir ve gerekli proje çıktıları oluşturur.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | Yok |
|---|
| Ders Tanımı | Bu dersin amacı, makine öğrenmesi ile ilgili temel ve ileri düzey kavramları kullanarak veriden öğrenme süreçlerini sağlayan çeşitli teknikleri öğretmektir. Farklı teknik ve algoritmaların karşılaştırıldığı ve uygulandığı bu ders, "geçmiş deneyimlerden nasıl öğrenilir?" sorusuna yanıt sunar. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Yapay zekaya giriş ve temel kavramlar; uygulama alanları; kişisel, sosyal ve iş dünyasına etkileri; veri madenciliği; makine öğrenmesinin (MÖ) temel bileşenleri ile matematiksel ve istatistiksel temelleri |
|
2. Hafta |
İşletmelerde bilişim sistemlerinin kullanım amaçları, organizasyona etkileri, rekabeti etkileyen güçler modeli, işletme değer zinciri ve ağı modelleri, Orange MÖ ve veri madenciliği yazılım ortamı |
|
3. Hafta |
Orange MÖ ve veri madenciliği yazılım ortamı; makine öğrenmesi projelerinin genel uygulama adımları: lojistik regresyon ve rassal orman modellerinin genel uygulama adımlarının gösterimi |
|
4. Hafta |
Makine öğrenmesinin istatistiksel temelleri, temel istatistiksel kavramlar, Orange MÖ ve veri madenciliği yazılım ortamında istatistik uygulamaları |
|
5. Hafta |
Makine öğrenmesinin matematiksel temelleri, matrisler ve matris işlemleri, matris işlemlerinin makine öğrenmesinde kullanımı |
|
6. Hafta |
Gözetimli makine öğrenmesi modelleri: lineer ve çok parametreli regresyon öğrenme modeli |
|
7. Hafta |
Gözetimli makine öğrenmesi modelleri: karar ağaçları öğrenme modeli |
|
8. Hafta |
Ara sınav |
|
9. Hafta |
Gözetimli makine öğrenmesi modelleri: rassal orman öğrenme modeli |
|
10. Hafta |
Gözetimli/gözetimsiz makine öğrenmesi |
|
11. Hafta |
Gözetimli/gözetimsiz makine öğrenmesi |
|
12. Hafta |
Görüntü işleme öğrenme modelleri |
|
13. Hafta |
Metin ve doğal dil işleme öğrenme modelleri |
|
14. Hafta |
Genel tekrar ve dönem projelerinin değerlendirilmesi |
|
| Kaynaklar | Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: A guide for data scientists. O'Reilly Media.
Theobald, O. (2018). Machine learning for absolute beginners: A plain English introduction (Machine learning from scratch). Independent Publisher.
Mueller, J. P., & Massaron, L. (2016). Machine learning for dummies. John Wiley & Sons, Inc.
Singh, P. (2019). Machine learning with PySpark. APress Media.
Mathur, P. (2019). Machine learning applications using Python: Case studies from healthcare, retail, and finance. APress Media.
Hassanien, E. (2019). Machine learning paradigms: Theory and application. Springer.
Wodecki, A. (2019). Artificial intelligence in value creation. Palgrave Macmillan.
Ertel, W. (2017). Introduction to artificial intelligence. Springer-Verlag.
Russell, S., & Norvig, P. (2010). Artificial intelligence: A modern approach (3. baskı). Prentice Hall. |
|---|
| Öğretim Yöntemleri |
Proje-Supported Traditional lnstructional Method
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
40 |
| Proje |
1 |
20 |
| Diğer |
1 |
10 |
| Toplam(%) |
|
70 |
| Yıl İçinin Başarıya Oranı(%) |
|
70 |
| Finalin Başarıya Oranı(%) |
|
30 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
1 |
1 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
3 |
42 |
| Final Sınavına Hazırlık |
1 |
22 |
22 |
| Ders Saati |
13 |
1 |
13 |
| Ara Sınava Hazırlık |
1 |
14 |
14 |
| Laboratuvar |
13 |
2 |
26 |
| Final Sınavı |
1 |
1.5 |
1.5 |
| Ödevler |
|
|
|
| Sunum (Hazırlık dahil) |
1 |
3 |
3 |
| Proje |
1 |
3 |
3 |
| Dönem Projesi Araştırması |
1 |
8 |
8 |
| Rapor yazma |
1 |
8 |
8 |
| Toplam İş Yükü | 141.5 |
| Toplam İş Yükü / 30 | 4.71 |
| Dersin AKTS Kredisi | 5 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
