Bu dersin sonunda öğrenciler; 1) Makine Öğrenmesi ve Yapay Zeka alanındaki temel ve ileri metodlara ilişkin bilgi sahibi olacaktır. 2) Makine Öğrenmesi ve Yapay Zeka yöntemlerini kullanarak pratik problemleri modelleme ve çözme becerisi kazanacaktır.
DERSİN VERİLİŞ BİÇİMİ
Yüz Yüze
DERSİN ÖNKOŞULLARI
Yok
ÖNERİLEN DERSLER
DERS TANIMI
Makine öğrenmesi ve yapay zeka uygulamalarını kullanılmasını ve çıkarımların yapılmasını amaçlayan bir derstir.
DERS İÇERİĞİ
HAFTA
KONULAR
1. Hafta
Yapay Zekaya Giriş, Temel Terimler
2. Hafta
Makine Öğrenmesi ve Veri Ön İşleme
3. Hafta
Destek Vektör Regresyonu ve Zaman Serisi Kestirimi
4. Hafta
Yapay Sinir Ağları
5. Hafta
Meta-Sezgisel Optimizasyon
6. Hafta
Tavlama Benzetimi
7. Hafta
Genetik Algoritma
8. Hafta
Ara sınav
9. Hafta
Tabu Arama
10. Hafta
Makale incelemesi
11. Hafta
Makale incelemesi
12. Hafta
Proje Sunumları
13. Hafta
Proje Sunumları
14. Hafta
Genel tekrar
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR
T. Mitchell, "Machine Learning", McGraw-Hill, 1997. C. M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2007. N. Gürsakal, ?Makine Öğrenmesi", Dora Yayın, 2018. V. Nabiev, "Yapay Zeka", Seçkin Yayınevi, 2021. G. Bektaş vd., "Yapay Zeka Optimizasyon Algoritmaları ve Mühendislik Uygulamaları", Seçkin Yayınevi 2021. M. Kubat, "Introduction to Machine Learning", Springer, 2017.
ÖĞRETİM YÖNTEM VE TEKNİKLERİ
Anlatım,Eğitim-Uygulama
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ
Sayısı
Toplam Katkısı(%)
Ara Sınav
1
30
Proje
1
30
Toplam(%)
60
Yıl İçinin Başarıya Oranı(%)
60
Finalin Başarıya Oranı(%)
40
Toplam(%)
100
AKTS İŞ YÜKÜ
Aktivite
Sayı
Süresi(Saat)
İş Yükü
Ara Sınav
1
2
2
Kısa Sınavlara hazırlık
Sınıf Dışı Ders Çalışma Süresi
14
3
42
Final Sınavına Hazırlık
1
25
25
Ders Saati
14
3
42
Ara Sınava Hazırlık
1
25
25
Laboratuvar
Final Sınavı
1
2
2
Ödevler
Proje
1
12
12
Toplam İş Yükü
150
Toplam İş Yükü / 30
5
Dersin AKTS Kredisi
10
DİL
Türkçe
STAJ / UYGULAMA
Yok
PROGRAM YETERLİLİKLERİ (P) / DERSİN ÖĞRENME KAZANIMLARI (Ö) MATRİSİ
