-Bu dersin amacı, endüstriyel sistemlerde yapay zekâ teknolojilerinin
kullanımına ilişkin temel bilgi ve becerileri kazandırmaktır. Ders
kapsamında endüstriyel veri analitiği, makine öğrenmesi, derin
öğrenme, üretken yapay zekâ ve karar destek sistemlerinin üretim ve
hizmet sistemlerindeki uygulamaları incelenir.
Öğrencilerin gerçek endüstriyel problemlere yönelik veri odaklı
çözümler geliştirmeleri, uygun yapay zekâ yöntemlerini seçmeleri,
Python ortamında uygulamaları ve geliştirilen çözümleri teknik,
operasyonel ve etik boyutlarıyla değerlendirebilmeleri
amaçlanmaktadır.
-1. Hafta: Dersin tanıtımı, endüstriyel sistemlerde yapay zekâya
giriş ve uygulama alanları (üretim, lojistik, sağlık ve finans
sektörlerinden örnekler)
2. Hafta: Endüstriyel veri kaynakları ve veri hazırlama süreçleri
(Image, Sensor ve Time-Series verileri; IoT tabanlı
sistemlerden örnekler)
3. Hafta: Makine öğrenmesinin temelleri ve endüstriyel problem
çözme yaklaşımı (regresyon, sınıflandırma ve kümeleme
uygulamaları)
4. Hafta: Derin öğrenmeye giriş ve modern yapay zekâ
mimarileri (ANN, CNN, Transformer mimarilerine genel
bakış)
5. Hafta: Bilgisayarlı görü (Computer Vision) uygulamaları ve
kalite kontrol sistemleri (CNN ve Vision Transformer tabanlı
uygulamalar; otomotiv ve elektronik üretimi vaka çalışmaları)
6. Hafta: Görüntü tabanlı hata tespiti ve sınıflandırma
uygulamaları (akıllı üretim ve sağlık görüntüleme sistemleri
vaka çalışmaları)
7. Hafta: Zaman serisi analizi, sensör verisi modelleme ve
kestirim uygulamaları (ARIMA, LSTM ve Transformer tabanlı
yaklaşımlar; enerji ve tedarik zinciri vaka çalışmaları)
8. Hafta: Anomali tespiti ve kestirimci bakım sistemleri (LSTM,
Autoencoder ve sensör verisi analitiği; üretim, enerji ve
havacılık sektörlerinden vaka çalışmaları)
9. Hafta: Ara sınav
10. Hafta: Üretken yapay zekâ (Generative AI), Büyük Dil
Modelleri (LLM) ve endüstriyel karar destek sistemleri
(doküman analizi, bakım raporlama ve kurumsal bilgi yönetimi
uygulamaları)
11. Hafta: Yapay zekâ ajanları (AI Agents), RAG (Retrieval-
Augmented Generation) ve iş akışı otomasyonu (tedarik zinciri,
operasyon yönetimi ve müşteri hizmetleri vaka çalışmaları)
12. Hafta: Pekiştirmeli öğrenme (Reinforcement Learning) ve
otonom karar verme sistemleri (üretim çizelgeleme, depo
yönetimi ve ulaşım sistemleri uygulamaları)
13. Hafta: Güvenilir ve açıklanabilir yapay zekâ (XAI), etik
konular ve endüstriyel sistem tasarımı (sağlık, finans ve üretim
sektörlerinden vaka çalışmaları)
14. Hafta: Dönem projesi sunumları ve genel değerlendirme
Bu dersi başarıyla tamamlayan öğrenci:
1. ÖK1: Endüstriyel sistemlerde kullanılan yapay zekâ
teknolojilerinin temel kavramlarını, bileşenlerini ve uygulama
alanlarını açıklar.
2. ÖK2: Görüntü, sensör ve zaman serisi verilerini analiz ederek
endüstriyel problemlere uygun veri hazırlama ve modelleme
süreçlerini uygular.
3. ÖK3: Makine öğrenmesi ve derin öğrenme yöntemlerini
kullanarak endüstriyel problemlere yönelik çözümler geliştirir
ve performanslarını değerlendirir.
4. ÖK4: Üretken yapay zekâ, akıllı karar destek sistemleri ve
yapay zekâ destekli otomasyon yaklaşımlarının endüstriyel
uygulamalarını analiz eder.
5. ÖK5: Gerçek bir endüstriyel problem için Python tabanlı yapay
zekâ çözümü tasarlar, geliştirir ve sonuçlarını yorumlar.
6. ÖK6: Yapay zekâ tabanlı sistemleri güvenilirlik,
açıklanabilirlik, etik sorumluluklar ve uygulanabilirlik
açısından değerlendirir.
Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc."
Russell, S. J. (2010). Artificial intelligence a modern approach. Pearson Education, Inc..
Goodfellow, I., Bengio, & Y., Courville, A. (2016). Deep learning (Vol. 1, No. 2, pp. 1-800). Cambridge: MIT press.
Szeliski, R. (2022). Computer vision: algorithms and applications. Springer Nature.
Chollet, F., & Chollet, F. (2021). Deep learning with Python. Simon and Schuster.
| Hafta | Konu Başlıkları |
|---|---|
| 1 | 1. Hafta: Dersin tanıtımı, endüstriyel sistemlerde yapay zekâya giriş ve uygulama alanları (üretim, lojistik, sağlık ve finans sektörlerinden örnekler) |
| 2 | 2. Hafta: Endüstriyel veri kaynakları ve veri hazırlama süreçleri (Image, Sensor ve Time-Series verileri; IoT tabanlı sistemlerden örnekler) |
| 3 | 3. Hafta: Makine öğrenmesinin temelleri ve endüstriyel problem çözme yaklaşımı (regresyon, sınıflandırma ve kümeleme uygulamaları) |
| 4 | 4. Hafta: Derin öğrenmeye giriş ve modern yapay zekâ mimarileri (ANN, CNN, Transformer mimarilerine genel bakış) |
| 5 | 5. Hafta: Bilgisayarlı görü (Computer Vision) uygulamaları ve kalite kontrol sistemleri (CNN ve Vision Transformer tabanlı uygulamalar; otomotiv ve elektronik üretimi vaka çalışmaları) |
| 6 | 6. Hafta: Görüntü tabanlı hata tespiti ve sınıflandırma uygulamaları (akıllı üretim ve sağlık görüntüleme sistemleri vaka çalışmaları) |
| 7 | 7. Hafta: Zaman serisi analizi, sensör verisi modelleme ve kestirim uygulamaları (ARIMA, LSTM ve Transformer tabanlı yaklaşımlar; enerji ve tedarik zinciri vaka çalışmaları) |
| 8 | 8. Hafta: Anomali tespiti ve kestirimci bakım sistemleri (LSTM, Autoencoder ve sensör verisi analitiği; üretim, enerji ve havacılık sektörlerinden vaka çalışmaları) |
| 9 | 9. Hafta: Ara sınav |
| 10 | 10. Hafta: Üretken yapay zekâ (Generative AI), Büyük Dil Modelleri (LLM) ve endüstriyel karar destek sistemleri (doküman analizi, bakım raporlama ve kurumsal bilgi yönetimi uygulamaları) |
| 11 | 11. Hafta: Yapay zekâ ajanları (AI Agents), RAG (Retrieval- Augmented Generation) ve iş akışı otomasyonu (tedarik zinciri, operasyon yönetimi ve müşteri hizmetleri vaka çalışmaları) |
| 12 | 12. Hafta: Pekiştirmeli öğrenme (Reinforcement Learning) ve otonom karar verme sistemleri (üretim çizelgeleme, depo yönetimi ve ulaşım sistemleri uygulamaları) |
| 13 | 13. Hafta: Güvenilir ve açıklanabilir yapay zekâ (XAI), etik konular ve endüstriyel sistem tasarımı (sağlık, finans ve üretim sektörlerinden vaka çalışmaları) |
| 14 | 14. Hafta: Dönem projesi sunumları ve genel değerlendirme |
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 1 | 50 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 50 |
| Toplam | 2 | 100 |
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 30 |
| Proje | 1 | 20 |
| 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 | Matematik, fen ve mühendislik bilimleri konularında yeterli bilgi birikimi | |||||
| 2 | Bu alanlardaki kuramsal ve uygulamalı bilgileri karmaşık mühendislik problemlerini modelleme ve çözme için uygulayabilme becerisi | |||||
| 3 | Karmaşık Endüstri Mühendisliği problemlerini saptama, tanımlama, formüle etme, doğrulama ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi | X | ||||
| 4 | Karmaşık bir üretim veya hizmet sistemini, süreci, cihazı veya ürünü gerçekçi ve değişken kısıtlar ve koşullar altında, performans boyutlarını iyileştirmeye yönelik tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi | |||||
| 5 | Endüstri Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern yöntem, teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi | X | ||||
| 6 | Karmaşık Endüstri Mühendisliği problemlerinin veya bu alandaki araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuç çıkartma, sonuçları analiz etme ve yorumlama becerisi | |||||
| 7 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde ve farklı rollerde çalışabilme becerisi; bireysel çalışma becerisi | |||||
| 8 | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az iki yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi | |||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme, bilgi yönetimi araçlarını kullanma ve kendini sürekli yenileme becerisi | X | ||||
| 10 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; Endüstri Mühendisliği uygulamalarında kullanılan ulusal ve/veya uluslararası standartlar hakkında bilgi | X | ||||
| 11 | Proje yönetimi ile risk yönetimi ve değişim yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi | X | ||||
| 12 | Girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi | |||||
| 13 | Endüstri Mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri hakkında bilgi; toplumsal ve kurumsal sosyal sorumluluk bilinci | |||||
| 14 | Çağın mühendislik alanına yansıyan sorunları hakkında bilgi | X | ||||
| 15 | Endüstri Mühendisliği çözümlerinin hukuksal sonuçları konusunda farkındalık | |||||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 2 | 28 |
| Sınıf Dışı Çalışma Süresi | 1 | 5 | 5 |
| Ödevler | 0 | 0 | 0 |
| Sunum | 0 | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 3 | 3 |
| Proje | 1 | 8 | 8 |
| Laboratuar | 0 | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 1 | 6 | 6 |
| 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 | 50 | ||
| Toplam İş Yükü / 25 | 2.00 | ||
| Dersin AKTS Kredisi | 2 | ||