| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Yapay Zeka | CPR 256 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Yapay zekanın temel kavramlarını ve tarihçesini açıklayabilir. |
| 2. Yapay zeka algoritmalarını ve temel tekniklerini tanımlayabilir. |
| 3. Makine öğreniminin temel prensiplerini anlayarak, algoritmaları uygulayabilir. |
| 4. Doğal dil işleme ve görüntü işleme tekniklerini tanır ve basit uygulamalar geliştirebilir. |
| 5. Yapay zekanın etik yönlerini ve sosyal etkilerini değerlendirebilir. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders, yapay zekânın temel kavramlarını, yöntemlerini ve uygulama alanlarını tanıtmayı amaçlamaktadır. Öğrencilere arama algoritmaları, bilgi temsili, karar verme süreçleri, makine öğrenmesi ve üretken yapay zekâ modelleri gibi temel yapay zekâ teknikleri hakkında teorik ve pratik bilgiler kazandırılır. Üretken yapay zekâ teknolojilerinin programlama ortamlarında nasıl entegre edileceği örnek uygulamalarla gösterilir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Yapay Zeka Nedir? |
| 2 | Yapay Zekanın Bileşenleri Algoritmalar, veri, hesaplama gücü ve modellerin tanıtımı. |
| 3 | Arama ve Problem Çözme |
| 4 | Heuristik ve A* Algoritması |
| 5 | Makine Öğrenimi Temelleri |
| 6 | Lineer Regresyon ve K-Nearest Neighbor (KNN) |
| 7 | Yapay Sinir Ağları ve Derin Öğrenme |
| 8 | Ara Sınav |
| 9 | Doğal Dil İşleme (NLP) |
| 10 | Görüntü İşleme Temelleri Görüntü tanıma, nesne algılama |
| 11 | Yapay Zekanın Etik ve Sosyal Boyutları |
| 12 | Basit bir YZ projesinin tasarlanması ve uygulanması |
| 13 | Güncel YZ Teknolojileri ve Araçlar |
| 14 | Genel Değerlendirme ve Geri Bildirim |
| |
| Kaynaklar: |
| Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson Education.
Alpaydın, E. (2021). Introduction to Machine Learning (4th ed.). MIT Press. |
| |
| Diğer Kaynaklar: |
| Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
Chollet, F. (2018). Deep Learning with Python. Manning Publications.
Stewart, J. (2021). AI and Machine Learning for Coders. O'Reilly Media. |
| |
| Öğretim Yöntem ve Teknikleri: |
| Öğretim politikası: Ders haftalık olarak üç saattir ve yüz yüze sınıf ortamında yapılacaktır. Öğrencilerin ders içerisindeki değerlendirmesinde vize, ödev ve final sınavları yer alacaktır.
Derse Devam Hakkında: Ara sınav ve final sınavlarının yanı sıra dönem boyunca gerçekleştirilmesi planlanan sınıf içi etkinliklere katılmayı tercih etmeyen ve verilen ödevleri teslim etmeyen öğrencilerin “NA” notu alacaklardır. Ayrıca, öğrencilerin derse katılımlarının nihai dönem notuna dahil edilecektir. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Proje | 1 | %25 |
| Final Sınavı | 1 | %50 |
| Ara Sınav | 1 | %25 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |