Yapay Zeka ve Derin Öğrenme(IT 524)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| IT 524 | Yapay Zeka ve Derin Öğrenme | 2 | 4 | 0 | 0 | 3 | 8 |
| Ön Koşul | |
| Derse Kabul Koşulları |
| Dersin Dili | İngilizce |
| Türü | Zorunlu |
| Dersin Düzeyi | Yüksek Lisans |
| Dersi Veren(ler) | Ahmet Teoman NASKALİ tnaskali@gsu.edu.tr (Email) |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu ders, öğrencilere yapay zekâ ve derin öğrenme süreçlerini kapsamlı bir şekilde öğretmeyi amaçlamaktadır. Öğrenciler, makine öğrenmesi ve AI süreçlerini anlamayı, verinin önemini kavramayı ve hedeflerini sistemin hiperparametreleri ve girdilerine çevirmeyi öğreneceklerdir. |
| İçerik | -Ders, temel derin öğrenme kavramları ile başlar ve CNN ve RNN yapıları üzerinde yoğunlaşır. Sonrasında pekiştirmeli öğrenme, genetik algoritmalar, Deep Q-Learning ve NEAT algoritmaları incelenir. Ders boyunca makine öğrenmesi ve yapay zekâ uygulamalarının mantığı, veri önemi ve hiperparametre optimizasyonu üzerinde durulacaktır. |
| Dersin Öğrenme Çıktıları |
- Derin öğrenme ve yapay zekâ süreçlerini açıklayabilme - CNN ve RNN mimarilerini kavrayabilme - Pekiştirmeli öğrenme ve genetik algoritmaların temel mantığını anlayabilme - Deep Q-Learning ve NEAT algoritmalarını uygulayabilme - Veriyi doğru analiz ederek model hiperparametrelerini belirleyebilme |
| Öğretim Yöntemleri |
- Görsel örnekler ve gerçek dünya uygulamaları ile ders anlatımı - Kavramsal tartışmalar ve soru-cevap oturumları - Kodlama ve problem çözme uygulamaları - Mini projeler ve algoritma uygulamaları |
| Kaynaklar |
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction - Stanley, K., & Miikkulainen, R. (2002). NEAT: NeuroEvolution of Augmenting Topologies - Python kütüphaneleri ve çevrimiçi dersler: PyTorch, TensorFlow, araştırma makaleleri |
Teori Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|---|
| 1 | Yapay zekâ ve makine öğrenmesine giriş |
| 2 | Veri önemi ve veri ön işleme |
| 3 | Temel derin öğrenme kavramları |
| 4 | Convolutional Neural Networks (CNN) |
| 5 | CNN uygulamaları ve ileri teknikler |
| 6 | Recurrent Neural Networks (RNN) |
| 7 | RNN uygulamaları ve optimizasyon teknikleri |
| 8 | Pekiştirmeli öğrenmeye giriş |
| 9 | Deep Q-Learning |
| 10 | Genetik algoritmalar |
| 11 | Proje sunumları ve değerlendirme |
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 2 | 50 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 50 |
| Toplam | 3 | 100 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 1 | 25 |
| Arasınavlar (Hazırlık Süresi Dahil) | 0 | 0 |
| Proje | 1 | 25 |
| Laboratuar | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 |
| Kısa Sınavlar | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 |
| Raporlar | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 |
| Seminer | 0 | 0 |
| Diğer | 0 | 0 |
| Bütünleme | 0 | 0 |
| Toplam | 2 | 50 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Bilişim teknolojileri alanının çok disiplinli geniş kapsamını ve ilgili disiplinler arasıdaki etkileşimi tanımlar. | X | ||||
| 2 | Bilişim teknolojileri alanında uygulanan güncel teknik ve yöntemler ile bunların kısıtları, etkileri ve sonuçları hakkında kapsamlı bilgi sahibi olur. | X | ||||
| 3 | Bilişim teknolojileri alanında uygulamalı araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir ve uygular. | X | ||||
| 4 | Belirsiz, sınırlı ya da eksik verileri kullanarak, bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir. | X | ||||
| 5 | Tanımlanmış mühendislik yönetimi problemlerini çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular. | X | ||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilir, bu tür takımlarda liderlik yapabilir ve karmaşık durumlarda çözüm yaklaşımları geliştirebilir; bağımsız çalışabilir ve sorumluluk alır. | X | ||||
| 7 | Bilişim teknolojileri alanının yeni ve gelişmekte olan uygulamalarının farkında olup, bunları inceleme ve öğrenme yeteneğine sahip olur. | X | ||||
| 8 | Teknoloji alanında kullanılan yöntem ve yazılımlar ile iletişim teknolojilerini ileri düzeyde kullanır. | X | ||||
| 9 | Bir yabancı dili en az Avrupa Dil Portfoyü B2 Genel Düzeyinde kullanarak, sözlü ve yazılı iletişim kurar. | X | ||||
| 10 | Girişimcilik ve yenilikçilik boyutlarını dikkate alarak bilişim teknolojileri uygulamalarını gerçekleştirebilir. | X | ||||
| 11 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | ||||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 11 | 4 | 44 |
| Sınıf Dışı Çalışma Süresi | 11 | 9 | 99 |
| Ödevler | 0 | 0 | 0 |
| Sunum | 1 | 18 | 18 |
| Arasınavlar (Hazırlık Süresi Dahil) | 0 | 0 | 0 |
| Proje | 1 | 17 | 17 |
| Laboratuar | 0 | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 1 | 22 | 22 |
| Kısa Sınavlar | 0 | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 | 0 |
| Raporlar | 0 | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 | 0 |
| Seminer | 0 | 0 | 0 |
| Diğer | 0 | 0 | 0 |
| Bütünleme | 0 | 0 | 0 |
| Ts Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Bütünleme | 0 | 0 | 0 |
| Toplam İş Yükü | 200 | ||
| Toplam İş Yükü / 25 | 8.00 | ||
| Dersin AKTS Kredisi | 8 | ||