| 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 dersin amacı, öğrencilere yapay zekâ (YZ) kavramlarını tanıtmak, temel algoritmalarını anlamalarını sağlamak ve gerçek dünyadaki uygulamalarıyla ilgili bilgi kazandırmaktır. Ders kapsamında öğrenciler, yapay zekanın problem çözme, makine öğrenimi, doğal dil işleme ve görüntü işleme gibi alanlardaki temel prensiplerini öğrenecek ve bu bilgiyi uygulamaya yönelik kullanabileceklerdir. |
| |
| 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. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson Education.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
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: |
| Ders haftalık olarak üç saattir ve yüz yüze sınıf ortamında yapılacaktır. Öğrencilerin ders içerisindeki değerlendirmesinde vize ve final sınavları yer alacaktır. Bununla birlikte öğrencilerin derse devamları da takip edilerek, dönem sonundaki nihai değerlendirmeye katkı sağlayacaktır. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara sınav | 1 | %40 |
| Final Sınavı | 1 | %60 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |