| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| Enerji Sistemlerinde Makine Öğrenmesi Uygulamaları | TET5602 | 3 | 7.5 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Güz, Bahar |
|---|
| Dersin Dili | Türkçe |
|---|---|
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Seçmeli @ İleri Enerji Teknolojileri A.B.D Yüksek Lisans Programı Seçmeli @ İleri Enerji Teknolojileri A.B.D Doktora Programı |
| Ders Kategorisi | Uzmanlık/Alan Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | Disiplinler Arası Bölüm |
|---|---|
| Dersin Koordinatörü | Bedri KEKEZOĞLU |
| Dersi Veren(ler) | Hasan Sadıkoğlu |
| Asistan(lar)ı |
| Dersin Amacı | Yapay zeka yöntemlerinin tanıtılması ve bu modellerin kullanım becerilerinin enerji sektöründe uygulanabilecek yeterlilikte kazandırılması. |
|---|---|
| Dersin İçeriği | Bayes Kuralı, Naive Bayes Teoremi, Karar Ağaçları, Rassal Orman Algoritması, Yapay Sinir Ağları, Destek Vektör Makineleri, Hiperparametre Optimizasyonu, Validasyon Yöntemleri, Enerji Sektöründe Yapay Zeka Uygulamaları |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Yapay Zeka ve Makine Öğrenmesi konularındaki tanım ve terminolojilerin öğrenilmesi
- Sınıflandırma, Regresyon ve Öbekleme öğrenme yöntemleri arasındaki farkların bilinmesi, buna göre uygun model seçilmesi
- Makine Öğrenmesi ve Yapay Sinir Ağı modellerinin teorisi incelenerek bu modellerin kullanma becerisinin kazanılması
- Enerji sektöründe bu derste anlatılan modellerin uygulamalarının bilinmesi
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Öğrenme Kuralları, Tanımlar ve Terminoloji | |
| 2 | Bayes Kuralı, Naive Bayes Teoremi | |
| 3 | Karar Ağaçları, Rassal Orman Algoritması | |
| 4 | Karar Ağaçları, Rassal Orman Algoritması | |
| 5 | Yapay Sinir Ağları | |
| 6 | Yapay Sinir Ağları | |
| 7 | Destek Vektör Makineleri | |
| 8 | Ara Sınav 1 | |
| 9 | Hiperparametre Optimizasyonu | |
| 10 | Validasyon Yöntemleri | |
| 11 | Matlab Uygulamaları | |
| 12 | Enerji Sektöründe Uygulamalar | |
| 13 | Öğrenci Proje Sunumları | |
| 14 | Öğrenci Proje Sunumları | |
| 15 | ||
| 16 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | ||
| Sunum/Jüri | ||
| Projeler | 1 | 30 |
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 30 |
| Final | 1 | 40 |
| Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
| Final Sınavının Başarı Notuna Katkısı | ||
| TOPLAM | 100 | |
AKTS İşyükü Tablosu
| Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
|---|---|---|---|
| Ders Saati | 13 | 3 | |
| Laboratuar | |||
| Uygulama | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 13 | 7 | |
| Derse Özgü Staj | |||
| Ödev | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | 1 | 10 | |
| Sunum / Seminer | |||
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 40 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 40 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
