Anasayfa » Akademik Birimler » Kimya-Metalurji Fakültesi » Kimya Mühendisliği Bölümü » Dersler » Kimya Mühendisliğinde Yapay Zeka Uygulamaları
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Kimya Mühendisliğinde Yapay Zeka UygulamalarıKMM513637.5300
ÖnkoşullarYok
YarıyılNot set
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüSeçmeli @ Kimya Mühendisliği ABD Kimya Mühendisliği Yüksek Lisans Programı
Seçmeli @ Kimya Mühendisliği ABD Kimya Mühendisliği Doktora Programı
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimKimya Mühendisliği Bölümü
Dersin KoordinatörüMert Akın İnsel
Dersi Veren(ler)Mert Akın İnsel
Asistan(lar)ı
Dersin AmacıBu dersin amacı, kimya mühendisliği alanında karşılaşılan problemlerin çözümünde yapay zeka ve makine öğrenmesi tekniklerinin nasıl uygulanacağını öğretmektir. Öğrencilere, veri analizi, model oluşturma ve yorumlama konularında temel yetkinlik kazandırmak hedeflenmektedir. Ayrıca öğrenciler, gerçek dünya problemleri üzerinden algoritmaların etkinliğini değerlendirmeyi öğreneceklerdir.
Dersin İçeriğiYapay zeka ve makine öğrenmesine giriş, veri ön işleme ve özellik mühendisliği, regresyon ve sınıflandırma modelleri, destek vektör makineleri, ensemble yöntemler, yapay sinir ağları ve derin öğrenme, pekiştirmeli öğrenme, kümeleme ve boyut indirgeme, model değerlendirme, hiperparametre optimizasyonu, bilgisayarla görme, doğal dil işleme, zaman serisi tahmini ve makine öğrenmesindeki güncel araştırma yönelimleri.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media.
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
  • Goodfellow, I., Bengio, Y.,
  • MATLAB Documentation and Help Center. (https://www.mathworks.com/help/)
  • Lecture notes and up-to-date scientific articles.
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Yapay zeka ve makine öğrenmesi algoritmalarının temel prensiplerini açıklayabilir.
  2. Kimya mühendisliğine özgü veriler üzerinde uygun modelleme tekniklerini uygulayabilir.
  3. Makine öğrenmesi modellerini değerlendirip iyileştirebilir.
  4. Güncel yapay zeka uygulamaları hakkında bilgi sahibi olur ve bunları mühendislik problemlerine adapte edebilir.

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4
PÇ-1----
PÇ-2----
PÇ-3----
PÇ-4----
PÇ-5----
PÇ-6----
PÇ-7----
PÇ-8----
PÇ-9----
PÇ-10----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Yapay Zeka ve Makine Öğrenmesine Giriş
2Veri Ön İşleme ve Özellik Mühendisliği
3Denetimli Öğrenme – Regresyon Modelleri
4Denetimli Öğrenme – Sınıflandırma Modelleri
5Destek Vektör Makineleri ve Bütünleşik Yöntemler
6Yapay Sinir Ağları ve Derin Öğrenme
7Yapay Sinir Ağları ve Derin Öğrenme
8Ara Sınav 1
9Kimya ve Proses Mühendisliğinde Yapay Zeka Uygulamaları
10Yakıt Optimizasyonu için Yapay Zeka Uygulamaları
11Enerji Sektöründe Yapay Zeka Uygulamaları
12Üretim Sektöründe Yapay Zeka Uygulamaları
13Kontrol Optimizasyonu için Yapay Zeka Uygulamaları
14Sunumlar
15Sunumlar
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev
Sunum/Jüri110
Projeler120
Seminer/Workshop
Ara Sınavlar130
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati153
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması
Derse Özgü Staj
Ödev
Küçük Sınavlar/Stüdyo Kritiği
Projeler140
Sunum / Seminer120
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)160
Final (Sınav Süresi + Sınav Hazırlık Süresi)160
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok