| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| Yapay Zekaya Giriş | MKT4811 | 3 | 5 | 2 | 0 | 2 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Güz, Bahar |
|---|
| Dersin Dili | İngilizce, Türkçe |
|---|---|
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli @ Mekatronik Mühendisliği Lisans Programı |
| Ders Kategorisi | Temel Meslek Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | Mekatronik Mühendisliği Bölümü |
|---|---|
| Dersin Koordinatörü | Ertuğrul Bayraktar |
| Dersi Veren(ler) | Ertuğrul Bayraktar |
| Asistan(lar)ı | İbrahim Cem Balcı, Ali İhsan Taş |
| Dersin Amacı | Bu dersin amacı, ham verilerin analizine, arama, planlama ve bilgi temsili gibi çeşitli AI tekniklerine ve evrişimli, tekrarlayan ve grafik sinir ağları gibi Derin Öğrenme yöntemlerine kapsamlı bir giriş sağlayarak öğrencilerin derin sinir ağı tekniklerini kullanarak öğrenme problemlerine çözüm tasarlamalarını ve uygulamalarını sağlarken aynı zamanda optimizasyon ve düzenlileştirmenin matematiksel ilkeleri hakkında temel bir anlayış kazandırmaktır. |
|---|---|
| Dersin İçeriği | • Öğrenme Türleri • Aramaya Giriş • Algoritmaları Arama • Kural Tabanlı Uzman Sistemler • Bilgi temsili • Otomatik Planlama • Çok Katmanlı Algılayıcılar, İleri Beslemeli Sinir Ağları • Geri Yayılım, Aktivasyon Fonksiyonları, Kayıp Fonksiyonları, Optimizasyon Yöntemleri, Performans Metrikleri • Evrişimli Sinir Ağları • Tekrarlayan Sinir Ağları, Uzun kısa süreli bellek ağları • Otomatik Kodlayıcılar, Grafik Sinir Ağları, Aktarım Öğrenimi |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- AI ajanlarının arama ve planlama amaçları için klasik AI teknikleriyle kullanılabilmesi.
- Ham verileri analiz edebilme ve gerekli veri ön işleme tekniklerini uygulama yeteneğinin kazanılması.
- Derin öğrenme modellerinin gerekliliği konusunda sezgi kazanımı ve derin öğrenmeyi robotik amaçlarla uygulama yeteneği edinimi.
- Uygun değerlendirme metriğini seçerek modellerin performansını analiz yeteneğinin kazanılması. Analitik analiz ve verilerin temsili.
- Makine öğrenimi, derin öğrenme ve yapay zeka arasındaki ayrımın kavranması. Gerçekçi problemler için derin öğrenme algoritmalarını değerlendirilmesi ve uyarlanması.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
| PÇ-1 | - | - | - | - | - |
| PÇ-2 | - | - | - | - | - |
| PÇ-3 | - | - | - | - | - |
| PÇ-4 | - | - | - | - | - |
| PÇ-5 | - | - | - | - | - |
| PÇ-6 | - | - | - | - | - |
| PÇ-7 | - | - | - | - | - |
| PÇ-8 | - | 5 | - | 4 | - |
| PÇ-9 | 4 | - | 5 | - | 4 |
| PÇ-10 | - | - | - | - | - |
| PÇ-11 | 4 | - | - | - | 3 |
| PÇ-12 | - | - | - | - | - |
| PÇ-13 | - | 5 | - | 4 | 5 |
| PÇ-14 | - | - | - | - | - |
| PÇ-15 | - | - | - | - | - |
| PÇ-16 | 4 | - | - | - | 3 |
| PÇ-17 | - | - | - | - | - |
| PÇ-18 | - | - | - | - | - |
| PÇ-19 | - | - | - | - | - |
| PÇ-20 | - | - | - | - | - |
| PÇ-21 | - | - | - | - | - |
| PÇ-22 | - | - | - | - | - |
| PÇ-23 | - | 3 | 5 | 4 | - |
| PÇ-24 | - | - | - | - | - |
| PÇ-25 | - | - | - | - | - |
| PÇ-26 | - | - | - | - | - |
| PÇ-27 | - | - | - | - | - |
| PÇ-28 | - | - | - | - | - |
| PÇ-29 | - | - | - | - | - |
| PÇ-30 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Giriş: Yapay Zeka Nedir? AI'nın Tarihi ve Arka Planı. Yapay Zeka Uygulamaları | |
| 2 | Yapay Zeka Tekniklerinin Tanıtılması: Uzman Sistemler ve genetik algoritmalara giriş, temel kavramlar, yapılar, bilgi-kural tabanı, çıkarım mekanizması | |
| 3 | Arama Algoritmalarına Giriş ve Temel Kavramlar | |
| 4 | Arama Algoritmaları | |
| 5 | Kural Tabanlı Uzman Sistemler | |
| 6 | YZ Sistemlerinde Bilgi Temsili | |
| 7 | Otomatik Planlama | |
| 8 | Ara Sınav 1 / Uygulama veya Konu Tekrarı | |
| 9 | Çok Katmanlı Sinir Ağları, İleri Beslemeli Sinir Ağları | |
| 10 | Geri Yayılım, Aktivasyon Fonksiyonları, Kayıp Fonksiyonları, Optimizasyon Yöntemleri, Performans Metrikleri | |
| 11 | Evrişimsel Yapay Sinir Ağları | |
| 12 | Yinelemeli Yapay Sinir Ağları, Uzun-Kısa Dönemli Hafıza Ağları | |
| 13 | Oto Kodlayıcılar, Graf Yapay Sinir Ağları, Transfer Öğrenme | |
| 14 | Proje Sunumları | |
| 15 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | 2 | 20 |
| Sunum/Jüri | 1 | 10 |
| Projeler | 1 | 10 |
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 20 |
| 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 | 2 | |
| Laboratuar | 0 | 0 | |
| Uygulama | 13 | 2 | |
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | |||
| Derse Özgü Staj | |||
| Ödev | 1 | 15 | |
| Küçük Sınavlar/Stüdyo Kritiği | 1 | 3 | |
| Projeler | 1 | 20 | |
| Sunum / Seminer | 1 | 10 | |
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
