Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
ENERJİ SİSTEMLERİ İÇİN MAKİNE ÖĞRENMESİ	Üçüncü Düzey	ESM 545		1	7.50	7.50	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	Ön koşul dersi bulunmamaktadır..
Eğitimin Dili	Türkçe
Koordinatör
Dersi Veren Öğretim Eleman(lar)ı	DR.ÖĞR.ÜYESİ SALTUK BUĞRA SELÇUKLU
Yardımcı Öğretim Eleman(lar)ı
Dersin Veriliş Şekli	Yüz yüze.
Dersin Amacı	Makine öğrenmesi algoritmalarının ve istatistiksel modelleme tekniklerinin temellerini öğretmek ve bu yöntemleri enerji sistemlerinin karşılaştığı tahmin, optimizasyon, arıza tespiti ve kontrol gibi mühendislik problemlerini çözmek için uygulamayı öğretmektir.
Dersin Tanımı	Yapay zekâ ve veri bilimi prensiplerini geleneksel ve modern elektrik şebekeleri, yenilenebilir enerji kaynakları ve enerji piyasaları üzerine incelemek.

Dersin İçeriği

1	ML''nin enerji sektöründeki rolü (tahmin, optimizasyon, arıza tespiti). Enerji verilerinin özellikleri (zaman serisi, hacim) ve zorlukları.
2	Kayıp veri işleme, özellik mühendisliği (feature engineering), veri normalizasyonu/standardizasyonu. Korelasyon ve dağılım analizleri.
3	Temel Regresyon Modelleri
4	Karar Ağaçları (Decision Trees)
5	Rastgele Orman (Random Forest) ve Gradyan Yükseltme (Gradient Boosting – XGBoost/LightGBM) modelleri.
6	Destek Vektör Makineleri (SVM) ve zaman serisi tahmini
7	Kümeleme Analizi (Clustering)
8	Temel Bileşen Analizi (PCA) ile veri boyutunun azaltılması
9	Yapay Sinir Ağlarına Giriş (ANN)
10	Python/Scikit-Learn Uygulamaları
11	Model Doğrulama ve İyileştirme
12	Dönem Projelerinin Sunumu ve Değerlendirme
13
14
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Denetimli, denetimsiz ve yarı denetimli öğrenme arasındaki temel farkları, bu yaklaşımların enerji sistemlerindeki problem türleriyle (tahmin, kümeleme, sınıflandırma) nasıl ilişkilendirildiğini açıklayabilme bilgisine sahip olur.
2	Regresyon, Karar Ağaçları, Kümeleme (K-Means) ve Destek Vektör Makineleri (SVM) gibi temel ML algoritmalarının matematiksel prensiplerini ve kısıtlarını kavrar.
3	Enerji sistemlerine ait büyük, gürültülü ve zaman serisi verilerini (yük, fiyat, üretim) ML modellerine uygun hale getirmek için gerekli ön işleme ve özellik mühendisliği tekniklerini anlar.
4	Python ve Scikit-learn gibi endüstri standardı ML kütüphanelerini kullanarak enerji problemlerini kodlayabilir ve çözebilir.
5	Geliştirilen ML modellerinin performansını uygun istatistiksel metrikler kullanarak analiz edebilir
6
7
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi

1	Elektrik-elektronik mühendisliği alanında bilimsel araştırma yaparak bilgiye derinlemesine ulaşabilme, bilgiyi değerlendirme, yorumlama ve uygulama becerisine sahip olur.
2	Sınırlı verileri kullanarak bilimsel yöntemlerle aynı veya farklı disiplinlere ait bilgileri bütünleştirebilme becerisine sahip olur.
3	Mühendislik problemlerini tanımlayabilme, çözüm yöntemi geliştirme ve çözümlerde yenilikçi yöntemler uygulama ve geliştirebilme becerisine sahip olur.
4	Analitik, modelleme ve deneysel esaslı süreçleri tasarlama ve uygulama becerisi kazanır ve bu süreçte karşılaşılan karmaşık durumları analiz etme ve yorumlama becerisine sahip olur.
5	Mesleğinin yeni ve gelişmekte olan uygulamaları hakkında bilgi sahibi olur ve gerektiğinde bunları kullanma becerisi kazanır.
6	Verilerin toplanması ve yorumlanması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
7	Çalışmalarını ulusal ve uluslararası ortamlarda yazılı ya da sözlü olarak aktarabilme becerisine sahip olur.
8
9
10
11
12
13
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	14	3	42
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	14	6	84
Ödevler	5	5	25
Sunum / Seminer hazırlama	3	3	9
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	1	7	7
Ara sınavlar	1	3	3
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	1	9	9
Yarıyıl sonu sınavı	1	3	3
Araştırma	0	0	0
Toplam iş yükü			182
AKTS			7.50

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	40
Kısa sınav	0	0
Ödev	0	0
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
Yardımcı Kaynaklar

Ders İle İlgili Dosyalar