| Dersin Adı | Dersin Kodu | Dersin Türü | Dersin Düzeyi | Dersin Yılı | Dersin Verildiği Dönem | AKTS Kredisi |
|---|---|---|---|---|---|---|
| Yapay Zeka | TBL424 | Seçmeli | Lisans | 4 | Güz | 5 |
Öğretim Elemanı Adı
Prof. Dr. Mehmet YILDIRIM
Doç. Dr. Süleyman EKEN
Dersin Öğrenme Kazanımları
1) Yapay zeka temel kavramlarının teorisini açıklar
2) Verileri yapay zeka modeline uygun biçimde kullanır
3) Yapay zeka projeleri oluştur
4) Yapay zeka sistemlerini sınıflandırır
5) Yapay zekanın istatistik altyapısını açıklar
Program Yeterliliği İlişkisi
| Program Yeterlilikleri | ||||||||||||
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | ||
| Öğrenme Kazanımları | ||||||||||||
| 1 | Yüksek | Yüksek | Yüksek | Orta | Düşük | Orta | Yüksek | Yüksek | Orta | Yüksek | Orta | |
| 2 | Düşük | Yüksek | Yüksek | Orta | Düşük | Yüksek | Yüksek | Orta | Düşük | Orta | Yüksek | |
| 3 | Orta | Orta | Yüksek | Orta | Yüksek | Yüksek | Orta | Orta | Orta | Düşük | Düşük | |
| 4 | Orta | Orta | Orta | Orta | Yüksek | Yüksek | Düşük | Orta | Orta | Orta | Düşük | |
| 5 | ||||||||||||
Eğitim Şekli
Yüz Yüze
Ön Koşullar, Diğer Koşullar
Yok
Önerilen Destekleyici Dersler
İstenmemekte
Dersin İçeriği
Yapay zeka kavramları., Habersiz ve haberli arattırma; kör arama, heurustik arama, Bilgilendirme ve sorgulama; öğrenme teorisi, öğrenme çeşitleri, yapay sinir ağları, bilgi ifade şekilleri, semantik devre, belirsizlik, olasılık, planlama, Markov karar alma süreci, doğal dil işlemi, görüntü, alçak seviye görüntü ve sınıflama, İleri yapay zeka uygulamaları; öğrenme, görüntü algılama, belirsizlik durumunda sorgulama.
Haftalık Ders İzlencesi
1) Ders oryantasyonu, Yapay Zekaya giriş2) Hedef ağacı, problem modelleme ve çözme
3) Bilgisiz arama
4) Bilgili arama
5) Oyunlar ve çekişmeli arama
6) Önerme Mantığı
7) Mantıksal Programlama
8) Vize sınavı
9) Kural tabanlı uzman sistemler
10) Lineer Cebir, İstatistik, Olasık Temeller
11) Makine Öğrenmesi - Regresyon, Sınıflandırma, Kümeleme
12) Python Kullanarak Makine Öğrenmesi
13) Genetik Algoritmalar
14) Bilgisayarlı görme
15) Derin Öğrenme
16) Final sınavı
Önerilen/İstenen Ders Kaynakları
1- Artificial Intelligence, Patrick Henry Winston, 1992/Third Edition, Addison-Wesley
2- Artificial Intelligence: Foundations of Computational Agents, David L. Poole and Alan K. Mackworth, 2017/Second Edition, Cambridge University Press
3- The Quest for Artificial Intelligence: A History of Ideas and Achievements, Nils Nilsson, 2009, Cambridge University Press
4- Python for Data Analysis, 2nd Edition Data Wrangling with Pandas, NumPy, and IPython, William McKinney, 2017
5- Learning scikit-learn: Machine Learning in Python– November 25, 2013, Raúl Garreta, Guillermo Moncecchi
6- Building Machine Learning Systems with Python, Willi Richert, Luis Pedro Coelho, 2013
7- Prolog Programming for Artificial Intelligence, Ivan Bratko, 2011, Pearson Education
Planlanan Öğrenim Faaliyetleri Ve Eğitim Yöntemi
1) Anlatım
2) Soru-Cevap
3) Alıştırma ve Uygulama
4) Grup Çalışması
5) Laboratuvar/Çalıştay
6) Proje Temelli Öğrenme
Değerlendirme Yöntemi ve Ölçütleri
Yarıyıl İçi Çalışmalarının Başarıya Oranı |
60% |
|||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
||||||||||||
Yarıyıl Sonu Sınavının Başarıya Oranı |
40% |
|||||||||||
Toplam | 100% | |||||||||||
Dersin Eğitim Dili
Türkçe
Mesleki Uygulama
İstenmemekte