| Hafta | Konular | Ön Hazırlık |
|---|
| 1 | Konu Anlatımı: Yapay Zeka nedir, tarihçesi, gelişimi, türleri ve geleceği? Sınıf-içi Tartışma (10 dk): Yapay zekanın tarihsel gelişimi, mevcut türleri ve etik, iş gücü, sağlık gibi alanlardaki gelecekteki potansiyel etkilerinin tartışılması. | Yapay zekanın tanımı, tarihçesi, genel ve süper zeka gibi türleri ile gelişim sürecinin incelenmesi; yapay zekanın etik, iş gücü ve sağlık alanlarındaki mevcut ve gelecekteki etkilerine dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 6, Bölüm 1. |
| 2 | Konu Anlatımı: Yapay Zeka alanındaki son gelişmeler ve uygulamaları. Sınıf-içi Tartışma (10 dk): Yapay zekadaki son gelişmelerin (örneğin, generatif AI) sağlık, eğitim ve endüstri gibi alanlardaki etkilerinin tartışılması. | Yapay zeka alanındaki son gelişmeler, özellikle generatif AI gibi yenilikler ve bunların sağlık, eğitim ve endüstri sektörlerindeki uygulamalarının incelenmesi; basit bir yapay zeka uygulamasının temel prensiplerine dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 5. |
| 3 | Konu Anlatımı: Veri nedir? Veri ön işleme, Veri manipülasyonu ve Performans Değerlendirme Teknikleri. Sınıf-içi Uygulama (30 dk): Bir veri setinde eksik verileri doldurarak ve basit bir makine öğrenmesi modeliyle performans metriklerinin hesaplanması. Sınıf-içi Tartışma (10 dk): Veri ön işleme ve manipülasyon tekniklerinin makine öğrenmesi modellerinin performansına etkisi ve gerçek dünya uygulamalarının tartışılması. | Verinin tanımı, veri ön işleme ve manipülasyon teknikleri (eksik veri doldurma, normalizasyon vb.) ile performans değerlendirme metriklerinin (doğruluk, hassasiyet, geri çağırma vb.) incelenmesi; bu tekniklerin makine öğrenmesi model performansına etkileri ve gerçek dünya uygulamalarına dair örnekler gözden geçirilerek kısa sınava hazırlık yapılması. Kaynak: Ders Kitabı 1, Bölüm 5. |
| 4 | Konu Anlatımı: Optimizasyon nedir? Tek-Çok Amaçlı Problemler ve Zorlukları, Yapay Zeka Tabanlı Arama Algoritmalarına Giriş. Sınıf-içi Tartışma (10 dk): Tek ve çok amaçlı optimizasyon problemlerinin zorlukları ile yapay zeka tabanlı arama algoritmalarının lojistik, enerji ve finans gibi alanlardaki uygulamalarının tartışılması. | Optimizasyonun tanımı, tek ve çok amaçlı optimizasyon problemlerinin özellikleri ve zorlukları ile yapay zeka tabanlı arama algoritmalarının temel prensiplerinin incelenmesi; bu algoritmaların lojistik, enerji ve finans gibi alanlardaki uygulamalarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 3. |
| 5 | Konu Anlatımı: Optimizasyon algoritmalarına giriş ve uygulamalar. Sınıf-içi Tartışma (10 dk): Optimizasyon algoritmalarının makine öğrenmesi, lojistik ve mühendislik tasarımlarındaki pratik uygulamalarının tartışılması. | Optimizasyon algoritmalarının temel prensipleri, maliyet fonksiyonlarının minimize edilmesi ve ilgili yöntemlerin (örneğin, gradyan inişi) incelenmesi; bu algoritmaların makine öğrenmesi, lojistik ve mühendislik tasarımlarındaki uygulamalarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 3. |
| 6 | Konu Anlatımı: Genetik algoritmalara giriş. Sınıf-içi Uygulama (30 dk): Basit bir optimizasyon problemi için genetik algoritma adımlarını uygulayarak bir çözüm popülasyonunun oluşturulması. Sınıf-içi Tartışma (10 dk): Genetik algoritmaların mühendislik tasarımı, zaman çizelgeleme ve makine öğrenmesi gibi alanlardaki kullanım avantajlarının tartışılması. | Genetik algoritmaların temel prensipleri, popülasyon oluşturma, seçim, çaprazlama ve mutasyon adımlarının incelenmesi; bu algoritmaların mühendislik tasarımı, zaman çizelgeleme ve makine öğrenmesi gibi alanlardaki kullanım avantajlarına dair örneklerin gözden geçirilerek kısa sınava hazırlık yapılması. Kaynak: Ders Kitabı 5, Bölüm 4. |
| 7 | Konu Anlatımı: Yapay sinir ağlarına giriş. Sınıf-içi Uygulama (30 dk): Basit bir yapay sinir ağı modelinin (örneğin, tek katmanlı perceptron) kağıt üzerinde bir sınıflandırma problemi için bir adım tasarlanması. Sınıf-içi Tartışma (10 dk): Yapay sinir ağlarının görüntü tanıma, doğal dil işleme ve otonom sistemler gibi alanlardaki uygulamaları ve avantajlarının tartışılması. | Yapay sinir ağlarının temel prensipleri, özellikle tek katmanlı perceptron gibi basit modellerin yapısı ve çalışma mantığının incelenmesi; bu modellerin görüntü tanıma, doğal dil işleme ve otonom sistemler gibi alanlardaki uygulamalarına ve avantajlarına dair örneklerin gözden geçirilmesi. Kaynak: Ders kitabı 5, Bölüm 5. |
| 8 | Ara Sınav 1 | |
| 9 | Konu Anlatımı: Yapay Zeka tabanlı problemlerin modellenmesi: Sınıflandırma Algoritmaları. Sınıf-içi Uygulama (30 dk): Bir veri seti üzerinde basit bir sınıflandırma algoritması (örneğin, lojistik regresyon veya k-en yakın komşu) uygulayarak bir sınıflandırma probleminin çözülmesi. Sınıf-içi Tartışma (10 dk): Yapay zeka tabanlı sınıflandırma algoritmalarının spam tespiti, tıbbi teşhis ve müşteri segmentasyonu gibi alanlardaki uygulamalarının tartışılması. | Yapay zeka tabanlı sınıflandırma algoritmalarının (örneğin, lojistik regresyon ve k-en yakın komşu) temel prensipleri ve uygulama adımlarının incelenmesi; bu algoritmaların spam tespiti, tıbbi teşhis ve müşteri segmentasyonu gibi alanlardaki pratik uygulamalarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 2, Bölüm 2; Ders Kitabı 5, Bölüm 1-2. |
| 10 | Konu Anlatımı: Yapay Zeka tabanlı problemlerin modellenmesi: Regresyon Algoritmaları. Sınıf-içi Uygulama (30 dk): Bir veri seti üzerinde basit bir regresyon algoritması (örneğin, lineer regresyon) uygulayarak sürekli bir değişken tahmininin yapılması. Sınıf-içi Tartışma (10 dk): Regresyon algoritmalarının finansal tahmin, enerji tüketimi analizi ve pazar trendleri gibi alanlardaki yapay zeka uygulamalarının tartışılması. | Regresyon algoritmalarının (örneğin, lineer regresyon) temel prensipleri ve sürekli değişken tahmini için uygulama adımların incelenmesi; bu algoritmaların finansal tahmin, enerji tüketimi analizi ve pazar trendleri gibi yapay zeka uygulama alanlarına dair örneklerinin gözden geçirilmesi. Kaynak: Ders Kitabı 2; Ders Kitabı 5, Bölüm 6. |
| 11 | Konu Anlatımı: Yapay Zeka tabanlı problemlerin modellenmesi: Kümeleme Algoritmaları. Sınıf-içi Uygulama (30 dk): Bir veri seti üzerinde K-Means kümeleme algoritmasının uygulanarak verileri anlamlı gruplara ayırmasının sağlanması. Sınıf-içi Tartışma (10 dk): Kümeleme algoritmalarının müşteri segmentasyonu, sosyal medya analizi ve biyoinformatik gibi yapay zeka uygulamalarındaki rollerinin tartışılması. | K-Means kümeleme algoritmasının temel prensipleri ve veri kümelendirme için uygulama adımların incelenmesi; kümeleme algoritmalarının müşteri segmentasyonu, sosyal medya analizi ve biyoinformatik gibi yapay zeka uygulama alanlarına dair örneklerinin gözden geçirilerek kısa sınava hazırlık yapılması. Kaynak: Ders Kitabı 1, Bölüm 9. |
| 12 | Konu Anlatımı: Derin öğrenmeye giriş. Sınıf-içi Uygulama (30 dk): Basit bir veri seti üzerinde temel bir derin öğrenme modeli (örneğin, tek katmanlı bir yapay sinir ağı) kurarak bir sınıflandırma probleminin çözülmesi. Sınıf-içi Tartışma (10 dk): Derin öğrenmenin görüntü tanıma, doğal dil işleme ve otonom araçlar gibi alanlardaki uygulamaları ve geleneksel makine öğrenmesiyle karşılaştırılması. | Derin öğrenmenin temel prensipleri, özellikle tek katmanlı yapay sinir ağlarının yapısı ve çalışma mantığının incelenmesi; derin öğrenmenin görüntü tanıma, doğal dil işleme ve otonom araçlar gibi alanlardaki uygulamaları ile geleneksel makine öğrenmesi yöntemlerine göre avantaj ve dezavantajlarına dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 1, Bölüm 9. |
| 13 | Konu Anlatımı: Doğal dil işlemeye giriş. Sınıf-içi Uygulama (30 dk): Bir metin veri seti üzerinde temel bir doğal dil işleme tekniği (örneğin, kelime torbası modeli veya tokenizasyon) uygulayarak metin ön işleme yapmalarınnın sağlanması. Sınıf-içi Tartışma (10 dk): Doğal dil işlemenin chatbotlar, duygu analizi ve otomatik çeviri gibi alanlardaki uygulamaları ve zorluklarının tartışılması. | Doğal dil işlemenin temel kavramları, kelime torbası modeli ve tokenizasyon gibi metin ön işleme tekniklerinin incelenmesi; doğal dil işlemenin chatbotlar, duygu analizi ve otomatik çeviri gibi uygulama alanları ile bu alanlardaki zorluklara dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 6. |
| 14 | Konu Anlatımı: Yapay Zeka genel uygulamalar. Sınıf-içi Uygulama (60 dk): Bir veri seti üzerinde basit bir yapay zeka modeli (örneğin, karar ağacı veya k-en yakın komşu) uygulayarak bir tahmin probleminin çözülmesi. Sınıf-içi Tartışma (10 dk): Yapay zekanın sağlık, finans, eğitim ve otonom sistemler gibi çeşitli alanlardaki genel uygulamalarının ve toplumsal etkilerinin tartışılması. | Yapay zeka modellerinin (örneğin, karar ağacı ve k-en yakın komşu) temel prensipleri ve bir veri seti üzerinde tahmin problemi çözme adımlarının incelenmesi; yapay zekanın sağlık, finans, eğitim ve otonom sistemler gibi alanlardaki genel uygulamaları ile toplumsal etkilerine dair örneklerin gözden geçirilerek kısa sınava hazırlık yapılması. Kaynak: Ders Kitabı 2; Ders Kitabı 5. |
| 15 | Konu Anlatımı: Yapay Zeka genel uygulamalar. Sınıf-içi Uygulama (60 dk): Bir veri seti üzerinde basit bir yapay zeka modeli (örneğin, karar ağacı veya k-en yakın komşu) uygulayarak bir tahmin probleminin çözülmesi. Sınıf-içi Tartışma (10 dk): Yapay zekanın sağlık, finans, eğitim ve otonom sistemler gibi çeşitli alanlardaki genel uygulamalarının ve toplumsal etkilerinin tartışılması. | Yapay zeka modellerinin (örneğin, karar ağacı ve k-en yakın komşu) temel prensipleri ve bir veri seti üzerinde tahmin problemi çözme adımlarının incelenmesi; yapay zekanın sağlık, finans, eğitim ve otonom sistemler gibi alanlardaki genel uygulamaları ile toplumsal etkilerine dair örneklerin gözden geçirilmesi. Kaynak: Ders Kitabı 2; Ders Kitabı 5. |
| 16 | Final | |
