| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Endüstri Mühendisleri İçin Sezgisel Yöntemler ve Öğrenme Algoritmaları | IE 482 | | 1 | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Python kullanarak karmaşık problemleri çözmek için sezgisel algoritmaları uygulama becerisi, |
| 2. Çizelgeleme, rota belirleme ve tahmin gibi problemler için verimli modeller tasarlama becerisi. |
| 3. Endüstriyel veri kümelerini kullanarak uygun veri odaklı yöntemleri seçme ve uygulama bilgisi |
| 4. Algoritmaların verimlilik, doğruluk ve gerçek dünya problemlerine uygulanabilirlik açısından performansları hakkında bilgi. |
| 5. Karar verme süreçlerini desteklemek için analitik bulguları görsel araçlar ve yazılı raporlar aracılığıyla etkili bir şekilde iletme becerisi |
| 6. Bireysel/takım çalışmasına katılım. |
| 7. Etik konuların farkındalığı. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders, gerçek hayat endüstri mühendisliği problemlerini çözmek için modern sezgisel ve öğrenme algoritmalarını kapsamaktadır. Konular arasında yerel ve küresel sezgisel arama, meta sezgisel yöntemler, tahminleme, kümeleme, çizelgeleme, kapasite planlaması ve kestirimci bakım uygulamalarına yönelik gözetimli/gözetimsiz öğrenme algoritmaları yer almaktadır. |
| |
Üretken Yapay Zeka Kullanımı:
|
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Giriş: Sezgisel Yöntemler ve Tepe Tırmanma Algoritması |
| 2 | Yerel Arama: Kanguru Algoritması ve Diğer Varyantları |
| 3 | Meta Sezgisel Yöntemler: Tavlama Benzetimi (SA) ve Tabu Arama (TS) |
| 4 | Meta Sezgisel Yöntemler: Parçacık Sürü Optimizasyonu (PSO) |
| 5 | Meta Sezgisel Yöntemler: Genetik Algoritmalar (GA) |
| 6 | Meta Sezgisel Yöntemler: Karınca Kolonisi Optimizasyonu (ACO) |
| 7 | Meta Sezgisel Yöntem Değerlendirmesi: Performans Karşılaştırma |
| 8 | Meta Sezgisel Yöntem Uygulaması: İş Atölyesi Çizelgeleme |
| 9 | Meta Sezgisel Yöntem Uygulaması: Araç Rotalama Problemi, Gezgin Satıcı Problemi |
| 10 | Denetimli Makine Öğrenimi: Regresyon ve Sınıflandırma |
| 11 | Sınıflandırma için Makine Öğrenimi: Karar Ağaçları, k-NN, Naive Bayes, Rassal Orman ve SVM |
| 12 | Denetimsiz Makine Öğrenimi: K-ortalamalar, DBSCAN ve uygulamaları |
| 13 | Endüstriyel Sistemlerde Makine Öğrenimi: Hiperparametre Optimizasyonu ve Endüstri Mühendisliğinde Makine Öğrenmesi Uygulamaları |
| 14 | Tahmin ve Bakım Analitiği: Zaman Serisi Tahmini (ARIMA, Prophet), Kapasite Planlaması, Kestirimci Bakım |
| |
| Kaynaklar: |
| |
| |
| Diğer Kaynaklar: |
| Gendreau, M., & Potvin, J.-Y. (Eds.). "Handbook of Metaheuristics (2nd or 3rd Edition)". Springer 2019. ISBN 978-3-319-91085-7
Goldberg, D. E. "Genetic Algorithms in Search, Optimization, and Machine Learning". Addision-Wesley, 1990. ISBN 0-201-15767-5
Russell, S., & Norvig, P. "Artificial Intelligence: A Modern Approach". Pearson, 2024. ISBN 978-1-292-40117-1
Aurélien Géron "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd Edition)". O’Reilly Media, 2019. ISBN 978-1-492-03264-9
Eklas Hossain "Machine Learning Crash Course for Engineers". Springer, 2024. ISBN 978-3-031-46989-3
|
| |
| Öğretim Yöntem ve Teknikleri: |
| Haftada 3 saat ders anlatımı. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ödev | 2 | %30 |
| Ara Sınav | 1 | %30 |
| Final Sınavı | 1 | %40 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin AKTS İş Yükü:
|
| # | Aktivite | Adet | Süre (Saat) | İş Yükü |
| 1 | Derslere Katılım (haftalık bazda) | 14 | 3,00 | 42,00 |
| 2 | Laboratuvarlara/Derslere Katılım (haftalık bazda) | 0 | 0,00 | 0,00 |
| 3 | Notların önceden hazırlanması ve son haline getirilmesi (haftalık bazda) | 13 | 1,00 | 13,00 |
| 4 | İlgili materyalin toplanması ve seçilmesi (bir kez) | 1 | 3,00 | 3,00 |
| 5 | İlgili materyalin kendi kendine incelenmesi (haftalık bazda) | 13 | 1,00 | 13,00 |
| 6 | Ev ödevleri | 2 | 12,00 | 24,00 |
| 7 | Sınavlara Hazırlık | 0 | 0,00 | 0,00 |
| 8 | Ara Sınavlara Hazırlık (Sınavların süresi dahil) | 1 | 14,00 | 14,00 |
| 9 | Dönem Ödevi/Vaka Çalışması Raporunun Hazırlanması (sözlü sunum dahil) | 0 | 0,00 | 0,00 |
| 10 | Dönem Projesi/Saha Çalışması Raporunun Hazırlanması (sözlü sunum dahil) | 0 | 0,00 | 0,00 |
| 11 | Final Sınavına Hazırlık (sınav süresi dahil) | 1 | 16,00 | 16,00 |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı (0-4) |
| 1 | Matematik, fen bilimleri, temel mühendislik, bilgisayarla hesaplama ve Endüstri Mühendisliği disiplinine özgü konularda bilgi. | 3 |
| 2 | Edinilen bilgileri karmaşık Endüstri Mühendisliği problemlerinin çözümünde kullanma becerisi. | 4 |
| 3 | İnsan, malzeme, makine, para, bilgi, zaman, teknoloji ve enerji gibi bileşenleri içeren karmaşık Endüstri Mühendisliği problemlerini, temel bilim, matematik ve mühendislik bilgilerini kullanarak ve ele alınan problemle ilgili BM Sürdürülebilir Kalkınma Amaçlarını* gözeterek tanımlama, uygun yöneylem araştırması metotları ve modelleme teknikleri ile formüle etme ve analiz etme becerisi. | 3 |
| 4 | İnsan, malzeme, makine, para, bilgi, zaman, teknoloji ve enerji gibi bileşenleri içeren karmaşık Endüstri Mühendisliği problemlerine yaratıcı çözümler tasarlama becerisi. | 4 |
| 5 | Karmaşık bir sistemi ve/veya alt-sistemi veya süreci gerçekçi kısıtları ve koşulları gözeterek, mevcut ve gelecekteki gereksinimleri karşılayacak biçimde tasarlama becerisi. | 0 |
| 6 | Endüstri Mühendisliği uygulamalarında karşılaşılan karmaşık mühendislik problemlerinin analizi ve çözümüne yönelik, tahmin ve modelleme de dahil olmak üzere, Endüstri Mühendisliği ile ilgili yazılım olanakları ile uygun teknikleri, kaynakları, modern mühendislik ve bilişim araçlarını, sınırlamalarının da farkında olarak seçme ve kullanma becerisi. | 4 |
| 7 | Karmaşık Endüstri Mühendisliği problemlerinin incelenmesi için literatür araştırması, deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama dahil, araştırma yöntemlerini kullanma becerisi. | 2 |
| 8 | Mühendislik uygulamalarının BM Sürdürülebilir Kalkınma Amaçları kapsamında, topluma, sağlık ve güvenliğe, ekonomiye, sürdürülebilirlik ve çevreye etkileri hakkında bilgi. | 0 |
| 9 | Mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | 0 |
| 10 | Mühendislik meslek ilkelerine uygun davranma, etik sorumluluk hakkında bilgi. | 0 |
| 11 | Hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık. | 2 |
| 12 | Bireysel olarak ve disiplin içi ve çok disiplinli takımlarda (yüz yüze, uzaktan veya karma) takım üyesi veya lideri olarak etkin biçimde çalışabilme becerisi. | 2 |
| 13 | Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü ve yazılı etkin iletişim kurma becerisi. | 3 |
| 14 | Teknik resim, akış diyagramı gibi görsel araçları kullanma becerisi. | 0 |
| 15 | Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi. | 0 |
| 16 | Girişimcilik ve yenilikçilik hakkında farkındalık. | 0 |
| 17 | Bağımsız ve sürekli öğrenebilme, yeni ve gelişmekte olan teknolojilere uyum sağlayabilme ve teknolojik değişimlerle ilgili sorgulayıcı düşünebilmeyi kapsayan yaşam boyu öğrenme becerisi. | 3 |