Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
YAPAY ZEKA TEKNİKLERİ VE UYGULAMALARI	İkinci Düzey	YBS 522	Seçmeli	1	7.00	7.00	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	Temel programlama bilgisi tavsiye edilir.
Eğitimin Dili	Türkçe
Koordinatör	DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ
Dersi Veren Öğretim Eleman(lar)ı	DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ
Yardımcı Öğretim Eleman(lar)ı	-
Dersin Veriliş Şekli	Yüz yüze, uygulamalı, bilgisayar destekli
Dersin Amacı	Bu dersin amacı, yapay zekâ kavramlarını temelden başlayarak öğretmek, makine öğrenmesi ve derin öğrenme algoritmalarını tanıtmak ve öğrencilerin bu teknikleri gerçek veri üzerinde uygulayabilmelerini sağlamaktır. Ayrıca öğrencilerin üretici yapay zekâ (Generative AI) ve modern yapay zekâ uygulamalarını anlayarak bilişim sistemleri ile entegre çözümler geliştirmeleri hedeflenmektedir.
Dersin Tanımı	Bu ders, yapay zekâ, makine öğrenmesi ve derin öğrenme tekniklerinin teorik temellerini ve uygulamalarını kapsayan; veri analizi, model geliştirme ve yapay zekâ uygulamalarının gerçekleştirildiği teknik ve uygulamalı bir derstir.

Dersin İçeriği

1	Yapay zekâya giriş Yapay zekâ türleri ve tarihçesi
2	Problem çözme ve arama algoritmaları
3	Makine öğrenmesine giriş Denetimsiz öğrenme
4	Denetimli öğrenme (supervised learning) Regresyon algoritmaları
5	Sınıflandırma algoritmaları (Logistic Regression, SVM, KNN)
6	Karar ağaçları ve Random Forest
7	Model değerlendirme (accuracy, precision, recall, F1)
8	Veri ön işleme (preprocessing)
9	Özellik mühendisliği (feature engineering)
10	Model seçimi ve hiperparametre ayarları
11	Yapay sinir ağları (ANN) Derin öğrenme modelleri CNN (görüntü işleme) RNN / LSTM (zaman serileri, metin) Generative AI (LLM, ChatGPT mantığı) Prompt engineering
12	Metin, görüntü ve veri üretimi
13	Python ile uygulamalar (scikit-learn, TensorFlow, PyTorch)
14	Python ile uygulamalar (scikit-learn, TensorFlow, PyTorch)
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Yapay zekâ kavramlarını açıklar
2	Makine öğrenmesi algoritmalarını açıklar
3	Veri ön işleme yapar
4	Sınıflandırma ve regresyon modelleri kurar
5	Model performansını değerlendirir
6	Karar ağaçları ve ensemble yöntemlerini uygular
7	Yapay sinir ağlarını açıklar
8	Derin öğrenme modellerini uygular
9	Generative AI sistemlerini açıklar
10	Python ile yapay zekâ uygulamaları geliştirir Gerçek veri setleri üzerinde model kurar Yapay zekâyı bilişim sistemlerine entegre eder

*Dersin Program Yeterliliklerine Katkı Seviyesi

1	Yönetim Bilişim Sistemleri (YBS) alanında ileri düzey bilgiye sahip olur.
2	Veri, insan, süreç, teknoloji ve yazılım bileşenlerini bütüncül olarak analiz eder.
3	Sosyo-teknik sistem yaklaşımı ile karmaşık problemleri basit, yenilikçi şekilde analiz eder.
4	Bilişim sistemlerini stratejik karar süreçlerinde etkin şekilde kullanır.
5	Yazılım ve veri temelli çözümler geliştirir.
6	Disiplinlerarası bilgi birikimini entegre ederek yenilikçi çözümler üretir.
7	Veri analitiği, makine öğrenmesi, derin öğrenme ve yapay zekâ tekniklerini uygular.
8	Bilimsel araştırma yöntemlerini kullanarak bağımsız çalışma yürütür.
9	Dijital dönüşüm süreçlerinin farkındadır, analiz eder ve yönetir.
10	Ulusal ve uluslararası bilimsel çalışmaları ve stratejik inovatif teknolojileri takip eder ve katkı sağlar.
11	İnsan merkezli tasarımları analiz eder, geliştirir, uygular ve yönetir.
12	Yeni teknolojilerin etik, sosyal ve yönetsel etkilerini değerlendirir.
13	Akademik ve profesyonel etik ilkelere uygun hareket eder.
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder

Planlanan Öğretim Faaliyetleri, Öğretme Metodları ve AKTS İş Yükü

	Sayısı	Süresi (saat)	Sayı*Süre (saat)
Yüz yüze eğitim	0	0	0
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	0	0	0
Ödevler	0	0	0
Sunum / Seminer hazırlama	0	0	0
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	0	0	0
Ara sınavlar	0	0	0
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	0	0	0
Yarıyıl sonu sınavı	0	0	0
Araştırma	0	0	0
Toplam iş yükü			0
AKTS			0.00

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	20
Kısa sınav	0	0
Ödev	1	20
Yarıyıl içi toplam		40
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		40
Yarıyıl sonu sınavının başarıya katkı oranı		60
Genel toplam		100

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Goodfellow et al., Deep Learning Python (scikit-learn, TensorFlow) dokümantasyonu Güncel AI ve Generative AI makaleleri
Yardımcı Kaynaklar	-

Ders İle İlgili Dosyalar