BLP117
AKILLI SİSTEMLER
- Yarıyıl
- 1
- Türü
- Zorunlu
- Teori / Uygulama / Lab.
- 3 / 0 / 0
- AKTS
- 4
- Öğretim düzeyi
- Ön Lisans
- Öğretim türü
- Birinci Öğretim
- Öğretim elemanı
- Öğr. Gör. Osman VİLLİ
Dersin amacı
Bu dersin amacı, öğrencilere yapay zekânın temel kavramlarını öğretmek ve günlük hayatta karşılaşılan problemlerin yapay zeka teknikleri ile nasıl çözülebileceğini göstermektir. Ders kapsamında öğrencilerin; Yapay zekâ ve makine öğrenmesinin temel prensiplerini anlaması, Veri, model, algoritma gibi temel kavramları öğrenmesi, Basit yapay zeka algoritmalarının çalışma mantığını kavraması, Günlük hayattaki problemlerin yapay zeka ile çözülüp çözülemeyeceğini analiz edebilmesi, Yapay zekanın kullanım alanlarını ve uygulamalarını tanıması amaçlanmaktadır.
Dersin içeriği
Yapay zekaya giriş ve temel kavramlar Yapay zekanın kullanım alanları Veri, veri seti ve model kavramı Makine öğrenmesi ve öğrenme türleri Gözetimli öğrenme Lineer regresyon yöntemi K-Nearest Neighbor (KNN) algoritması Öneri sistemleri Bulanık mantık Genetik algoritmalar Yapay zeka sistemlerinin geliştirme aşamaları Günlük hayatta yapay zeka uygulamaları
Kaynaklar
Yapay Zeka - Kuramdan Uygulamaya - Nobel Akademik Yayıncılık Geleceği Şekillendiren Teknoloji - Yapay Zeka - Nobel Akademik Yayincilik
Öğrenme çıktıları
- 1 Yapay zekanın temel kavramlarını açıklayabilir.
- 2 Yapay zeka ile klasik algoritmik problemlerin farkını ayırt edebilir.
- 3 Makine öğrenmesi kavramını ve öğrenme türlerini açıklayabilir.
- 4 Lineer regresyon ve KNN gibi temel algoritmaların çalışma mantığını açıklayabilir.
- 5 Yapay zeka sistemlerinin geliştirme aşamalarını sıralayabilir.
- 6 Günlük hayattaki problemlerin yapay zeka ile çözülüp çözülemeyeceğini analiz edebilir.
- 7 Genetik algoritma ve bulanık mantık gibi yöntemlerin temel prensiplerini açıklayabilir.
- 8 Yapay zekanın farklı uygulama alanlarını örneklerle açıklayabilir.
Haftalık konular
| 1. hafta | Yapay zekaya giriş ve temel kavramlar |
|---|---|
| 2. hafta | Yapay zekanın tarihçesi ve kullanım alanları |
| 3. hafta | Veri, veri seti, model ve algoritma kavramları |
| 4. hafta | Makine öğrenmesine giriş |
| 5. hafta | Denetimli Öğrenme |
| 6. hafta | Denetimsiz Öğrenme |
| 7. hafta | Ara Sınav |
| 8. hafta | Pekiştirmeli Öğrenme |
| 9. hafta | Lineer regresyon algoritması |
| 10. hafta | K-Nearest Neighbor (KNN) algoritması |
| 11. hafta | Öneri sistemleri ve kullanım alanları |
| 12. hafta | Bulanık mantık ve uygulamaları |
| 13. hafta | Genetik algoritmalar |
| 14. hafta | Final Sınavı |
Değerlendirme
Yarıyıl (Yıl) İçi Etkinlikleri
- Ara Sınav %100
Yarıyıl (Yıl) Sonu Etkinlikleri
- Yarıyıl Sonu Sınavı %100
Yarıyıl(yıl) içi etkinliklerin ve yarıyıl(yıl) sonu sınavının başarı notuna katkısı
- Yarıyıl (Yıl) İçi Etkinlikleri %40
- Yarıyıl (Yıl) Sonu Etkinlikleri %60
AKTS iş yükü
| Etkinlik | Sayı | Süre (saat) | Toplam (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 8 | 8 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 8 | 8 |
| Beyin Fırtınası | 14 | 3 | 42 |
| Bütünleme Sınavı | 1 | 5 | 5 |
| Rapor Hazırlama | 1 | 30 | 30 |
| Rapor | 1 | 10 | 10 |
| Toplam iş yükü / AKTS | 103 saat · 3,43 AKTS | ||