FZT-SD50
YAPAY ZEKAYA GİRİŞ
- Type
- Elective
- Theory / Practice / Lab
- 2 / 0 / 0
- ECTS
- 3
- Mode of study
- Birinci Öğretim
- Instructor
- Doç. Dr. Evrim Ersin KANGAL
- Internship status
- Yok
Course objectives
Bu dersin amacı, öğrencilere yapay zeka ve makine öğrenmesi alanındaki temel kavramları tanıtmak, verinin nasıl işlenip anlamlı bilgilere dönüştürüleceğini öğretmek ve öğrencilerin farklı problemler için en uygun makine öğrenmesi modellerini tasarlayıp değerlendirmelerini sağlamaktır.
Course content
Yapay Zekaya Giriş dersi, yapay zeka, makine öğrenmesi ve derin öğrenmenin temel çalışma prensiplerini kapsayarak, veri ön işleme, eksik veri tamamlama, ölçeklendirme ve boyut indirgeme gibi temel veri yönetimi tekniklerini öğrencilere kazandırmayı amaçlar. Ders kapsamında regresyon, sınıflandırma, karar ağaçları, SVM, ensemble öğrenme ve sinir ağları gibi çeşitli modelleme algoritmaları ele alınırken, model başarı metrikleri, hiperparametre optimizasyonu, overfitting yönetimi ve güncel yapay zeka yaklaşımları üzerinden performans değerlendirme süreçleri detaylandırılmaktadır.
Learning outcomes
- 1 Yapay zeka ve makine öğrenmesinin temel çalışma prensiplerini tanımlar.
- 2 Veri ön işleme ve özellik ölçeklendirme tekniklerini uygular.
- 3 Problemler için uygun sınıflandırma veya regresyon modellerini seçer ve eğitir.
- 4 Modellerin başarı kriterlerini analiz eder ve yorumlar.
Weekly topics
| Week 1 | Yapay Zeka'ya Giriş, tarihçe ve akıllı ajanlar |
|---|---|
| Week 2 | Bilgisiz arama algoritmaları (BFS, DFS) |
| Week 3 | Bilgili arama (A*, greedy best-first) |
| Week 4 | Rekabetçi arama (Minimax, alfa-beta budama) |
| Week 5 | Bilgi temsili ve uzman sistemler |
| Week 6 | Belirsizlik altında akıl yürütme (Bayes ağları) |
| Week 7 | Makine öğrenmesi temelleri ve değerlendirme metrikleri |
| Week 8 | Denetimli öğrenme (regresyon, sınıflandırma, k-NN, karar ağaçları) |
| Week 9 | SVM, topluluk yöntemleri (Random Forest, Gradient Boosting) |
| Week 10 | Yapay sinir ağları ve derin öğrenmeye giriş (TensorFlow/PyTorch) |
| Week 11 | Denetimsiz öğrenı (kümeleme, PCA, autoencoder) |
| Week 12 | Bilgisayarla görme (CNN, transfer öğrenme) |
| Week 13 | 13 Doğal dil işleme (RNN, LSTM, Transformer, BERT) |
| Week 14 | Üretken yapay zeka (GAN, VAE, GPT, RAG) |
| Week 15 | Model dağıtımı ve MLOps (API, bulut, izleme) |
| Week 16 | Al etiği, güvenlik ve final proje sunumları |
Assessment
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
ECTS workload
| Event | Number | Duration (hours) | Total (hours) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 5 | 5 |
| Bireysel Çalışma | 14 | 3 | 42 |
| Derse Katılım | 14 | 2 | 28 |
| Final Sınavı | 1 | 1 | 1 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 7 | 7 |
| Total workload / ECTS | 84 hours · 2,8 ECTS | ||