Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| YAPAY ZEKÂ METODOLOJİSİ | YBSYL1222779 | Bahar Dönemi | 3+0 | 3 | 8 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Tezli Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere makine öğrenmesi, derin öğrenme ve veri odaklı modelleme tekniklerini kullanarak gerçek dünya problemlerine yönelik çözüm geliştirme becerisi kazandırmak ve karar destek sistemleri tasarlamalarını desteklemektir. Ders kapsamında öğrencilerin yapay zeka algoritmalarını uygun veri kümeleri üzerinde uygulamaları, elde edilen sonuçları analiz ederek yorumlamaları, yapay zeka uygulamalarını işletme süreçleri ile entegre etmeleri ve etik, veri gizliliği ile güvenlik ilkelerini dikkate alarak çözüm geliştirmeleri hedeflenmektedir. |
| Dersin İçeriği | Bu ders; Yapay zekaya giriş ve temel kavramlar,Python ile veri analizi ve AI ortamlarının kurulumu,Veri ön işleme ve özellik mühendisliği,Denetimli öğrenme algoritmaları,Denetimsiz öğrenme algoritmaları,Model değerlendirme ve performans metrikleri,Derin öğrenmeye giriş,Yapay sinir ağları ve eğitim süreçleri,Evrişimsel sinir ağları (CNN),Doğal dil işleme (NLP) uygulamaları,Açıklanabilir yapay zeka (XAI),Proje geliştirme süreçleri ve veri seti analizi,Öğrenci proje sunumları ve uygulama değerlendirmeleri,Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zeka, makine öğrenmesi ve derin öğrenme yaklaşımlarını farklı problem alanları açısından karşılaştırarak değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri kalitesini etkileyen eksik, hatalı ve tutarsız verileri analiz ederek uygun veri ön işleme stratejileri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Makine öğrenmesi yöntemlerini kullanarak karmaşık iş problemlerine yönelik tahmin ve sınıflandırma modelleri tasarlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Derin öğrenme modellerinin performansını farklı ölçütler ve veri kümeleri üzerinden değerlendirerek yorumlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Aşırı öğrenme ve yetersiz öğrenme problemlerini analiz ederek model iyileştirme yöntemleri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Gerçek dünya problemlerine yönelik yapay zeka tabanlı karar destek sistemleri tasarlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Açıklanabilir yapay zeka (XAI) tekniklerini kullanarak model kararlarını yorumlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Yapay zeka uygulamalarının etik, güvenlik, veri gizliliği ve yönetsel etkilerini eleştirel bir bakış açısıyla değerlendirerek çözüm önerileri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zekaya giriş ve temel kavramlar | |
| 2 | Python ile veri analizi ve AI ortamlarının kurulumu | |
| 3 | Veri ön işleme ve özellik mühendisliği | |
| 4 | Denetimli öğrenme algoritmaları | |
| 5 | Denetimsiz öğrenme algoritmaları | |
| 6 | Model değerlendirme ve performans metrikleri | |
| 7 | Derin öğrenmeye giriş | |
| 8 | Yapay sinir ağları ve eğitim süreçleri | |
| 9 | Evrişimsel sinir ağları (CNN) | |
| 10 | Doğal dil işleme (NLP) uygulamaları | |
| 11 | Açıklanabilir yapay zeka (XAI) | |
| 12 | Proje geliştirme süreçleri ve veri seti analizi | |
| 13 | Öğrenci proje sunumları ve uygulama değerlendirmeleri | |
| 14 | Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri |
| Kaynak |
| 1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4. Baskı). Pearson. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. Chollet, F. (2021). Deep Learning with Python (2. Baskı). Manning Publications. 4. Prince, S. J. D. (2023). Understanding Deep Learning. MIT Press. 5. Bishop, C. M., & Bishop, H. (2024). Deep Learning: Foundations and Concepts. Springer. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir. | X | |||||
| 2 | İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder. | X | |||||
| 3 | Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır. | X | |||||
| 4 | Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir. | X | |||||
| 5 | İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular. | X | |||||
| 6 | Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar. | X | |||||
| 7 | Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir. | X | |||||
| 8 | Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir. | X | |||||
| 9 | Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir. | X | |||||
| 10 | Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir. | X | |||||
| 11 | Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder. | X | |||||
| 12 | Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Toplam İş Yükü (Saat) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| YAPAY ZEKÂ METODOLOJİSİ | YBSYL1222779 | Bahar Dönemi | 3+0 | 3 | 8 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Tezli Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere makine öğrenmesi, derin öğrenme ve veri odaklı modelleme tekniklerini kullanarak gerçek dünya problemlerine yönelik çözüm geliştirme becerisi kazandırmak ve karar destek sistemleri tasarlamalarını desteklemektir. Ders kapsamında öğrencilerin yapay zeka algoritmalarını uygun veri kümeleri üzerinde uygulamaları, elde edilen sonuçları analiz ederek yorumlamaları, yapay zeka uygulamalarını işletme süreçleri ile entegre etmeleri ve etik, veri gizliliği ile güvenlik ilkelerini dikkate alarak çözüm geliştirmeleri hedeflenmektedir. |
| Dersin İçeriği | Bu ders; Yapay zekaya giriş ve temel kavramlar,Python ile veri analizi ve AI ortamlarının kurulumu,Veri ön işleme ve özellik mühendisliği,Denetimli öğrenme algoritmaları,Denetimsiz öğrenme algoritmaları,Model değerlendirme ve performans metrikleri,Derin öğrenmeye giriş,Yapay sinir ağları ve eğitim süreçleri,Evrişimsel sinir ağları (CNN),Doğal dil işleme (NLP) uygulamaları,Açıklanabilir yapay zeka (XAI),Proje geliştirme süreçleri ve veri seti analizi,Öğrenci proje sunumları ve uygulama değerlendirmeleri,Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zeka, makine öğrenmesi ve derin öğrenme yaklaşımlarını farklı problem alanları açısından karşılaştırarak değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri kalitesini etkileyen eksik, hatalı ve tutarsız verileri analiz ederek uygun veri ön işleme stratejileri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Makine öğrenmesi yöntemlerini kullanarak karmaşık iş problemlerine yönelik tahmin ve sınıflandırma modelleri tasarlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Derin öğrenme modellerinin performansını farklı ölçütler ve veri kümeleri üzerinden değerlendirerek yorumlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Aşırı öğrenme ve yetersiz öğrenme problemlerini analiz ederek model iyileştirme yöntemleri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Gerçek dünya problemlerine yönelik yapay zeka tabanlı karar destek sistemleri tasarlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Açıklanabilir yapay zeka (XAI) tekniklerini kullanarak model kararlarını yorumlar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Yapay zeka uygulamalarının etik, güvenlik, veri gizliliği ve yönetsel etkilerini eleştirel bir bakış açısıyla değerlendirerek çözüm önerileri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zekaya giriş ve temel kavramlar | |
| 2 | Python ile veri analizi ve AI ortamlarının kurulumu | |
| 3 | Veri ön işleme ve özellik mühendisliği | |
| 4 | Denetimli öğrenme algoritmaları | |
| 5 | Denetimsiz öğrenme algoritmaları | |
| 6 | Model değerlendirme ve performans metrikleri | |
| 7 | Derin öğrenmeye giriş | |
| 8 | Yapay sinir ağları ve eğitim süreçleri | |
| 9 | Evrişimsel sinir ağları (CNN) | |
| 10 | Doğal dil işleme (NLP) uygulamaları | |
| 11 | Açıklanabilir yapay zeka (XAI) | |
| 12 | Proje geliştirme süreçleri ve veri seti analizi | |
| 13 | Öğrenci proje sunumları ve uygulama değerlendirmeleri | |
| 14 | Yapay zeka trendleri, etik ve güvenlik değerlendirmeleri |
| Kaynak |
| 1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4. Baskı). Pearson. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. Chollet, F. (2021). Deep Learning with Python (2. Baskı). Manning Publications. 4. Prince, S. J. D. (2023). Understanding Deep Learning. MIT Press. 5. Bishop, C. M., & Bishop, H. (2024). Deep Learning: Foundations and Concepts. Springer. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir. | X | |||||
| 2 | İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder. | X | |||||
| 3 | Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır. | X | |||||
| 4 | Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir. | X | |||||
| 5 | İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular. | X | |||||
| 6 | Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar. | X | |||||
| 7 | Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir. | X | |||||
| 8 | Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir. | X | |||||
| 9 | Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir. | X | |||||
| 10 | Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir. | X | |||||
| 11 | Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder. | X | |||||
| 12 | Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |