Elektrik Elektronik Mühendisliği
Dersin Ayrıntıları
KTO KARATAY ÜNİVERSİTESİ
Mühendislik ve Doğa Bilimleri Fakültesi
Elektrik Elektronik Mühendisliği Programı
Ders Bolognaları
Mühendislik ve Doğa Bilimleri Fakültesi
Elektrik Elektronik Mühendisliği Programı
Ders Bolognaları
| Ders Kodu | Ders Adı | Yıl | Dönem | Yarıyıl | T+U+L | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| 15140004 | Yapay Zekaya Giriş | 2025 | Bahar | 4 | 3+0+0 | 3 | 4 |
| Dersin Türü | Zorunlu |
| Dersin Düzeyi | Lisans (TYYÇ: 6. Düzey / QF-EHEA: 1. Düzey / EQF-LLL: 6. Düzey) |
| Dersin Dili | Türkçe |
| Yöntem ve Teknikler | 1. Teorik Anlatım: Konular ders kapsamında teorik olarak anlatılır. Öğrenciler programlamanın temel kavramlarını ve algoritmaların mantığını kavrayabilmeleri için konu anlatımları dinler. 2. Uygulamalı Çalışmalar: Öğrenciler, teorik olarak anlatılan konuların uygulamasını yapmak için ders eğitmeni mentorlüğünde çeşitli örneklerle çalışmalar gerçekleştirir. Kazanımlar elde edilmeye çalışılır. 3. Adım Adım Çözümleme: Karşılaşılan problemler adım adım çözülerek her adımın nasıl işlediği açıklanır. Bu yöntemle öğrencilerin konulara daha hakim olması sağlanır. 4.Gerçek Hayat Örnekleri: Konuların daha iyi anlaşılması için gerçek hayattan örnekler ve problem senaryoları sunulur. Böylece öğrenciler öğrendiklerini pratikte nasıl kullanacağını görür. |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | Dersin herhangi bir ön koşulu bulunmamaktadır. Tüm öğrencilere temel seviyeden başlanarak eğitim verilmektedir. |
| Dersin Koordinatörü | - |
| Dersi Veren(ler) | Dr. Öğr. Üyesi Atakan DAŞDEMİR |
| Yardımcı(lar) | - |
Dersin Öğretim Eleman(lar)ı
| Adı Soyadı | Oda No. | E-Posta Adresi | Dahili | Görüşme Saatleri |
|---|---|---|---|---|
| Dr. Öğr. Üyesi Atakan DAŞDEMİR | A-127 | [email protected] | 7479 | Pazartesi 15:00-16:00 |
Dersin İçeriği
Yapay Zekâ Temel Kavramlar
Etmenler (Ajanlar)
Problem Çözme ve Arama
Bilgisiz Arama Yöntemleri
Bilgili Arama Yöntemleri
Makine Öğrenmesine Giriş
Sınıflandırma Algoritmaları
Kümelenme ve Boyut İndirgeme
Derin Öğrenmeye Giriş
Konvolüsyonel Sinir Ağları (CNN)
Doğal Dil İşleme (NLP)
Takviyeli Öğrenme (Reinforcement Learning)
Münazara ve Değerlendirme
Etmenler (Ajanlar)
Problem Çözme ve Arama
Bilgisiz Arama Yöntemleri
Bilgili Arama Yöntemleri
Makine Öğrenmesine Giriş
Sınıflandırma Algoritmaları
Kümelenme ve Boyut İndirgeme
Derin Öğrenmeye Giriş
Konvolüsyonel Sinir Ağları (CNN)
Doğal Dil İşleme (NLP)
Takviyeli Öğrenme (Reinforcement Learning)
Münazara ve Değerlendirme
Dersin Amacı
Dersin amacı; öğrencilere yapay zekanın temel kavramlarını, problem çözme stratejilerini ve modern öğrenme algoritmalarını kapsamlı bir şekilde öğretmektir. Öğrenciler, zeki etmen (ajan) mimarilerini ve arama yöntemlerini (bilgili/bilgisiz) kavrayarak algoritmik düşünce yapılarını geliştireceklerdir. Ayrıca, makine öğrenmesi ve derin öğrenme temellerinden başlayarak CNN, NLP ve takviyeli öğrenme gibi güncel teknolojilere dair teorik altyapı kazanacak, bu sayede veri odaklı karmaşık problemlere ve otonom karar orkestrasyonu (agentic decision orchestration) gerektiren sistemlere yenilikçi çözümler üretebilme becerisi edineceklerdir.
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | X |
| Uzmanlık / Alan Dersleri | X |
| Destek Dersleri | |
| Aktarılabilir Beceri Dersleri | |
| Beşeri, İletişim ve Yönetim Becerileri Dersleri |
Dersin Öğrenim Kazanımlarının Program Kazanımları ile Olan İlişkileri
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Program Yeterlilikleri | Düzey |
|---|---|---|
| P1 | Matematik, fen bilimleri ve mühendislikle ilgili konularda sağlam bir bilgi birikimi ve bu bilgileri karmaşık mühendislik sorunlarını çözme yeteneği. | 5 |
| P2 | Zorlu mühendislik sorunlarını tespit etme, açıklama, matematiksel bir şekilde ifade etme ve çözme yeteneği; bu amaçla uygun analiz ve modelleme tekniklerini seçme ve kullanma yeteneği. | 5 |
| P5 | Karmaşık mühendislik sorunlarını veya disipline özgü araştırma konularını incelemek için deneylerin planlanması, gerçekleştirilmesi, verilerin toplanması, sonuçların analiz edilmesi ve yorumlanmasına dair yetenek. | 4 |
Dersin Öğrenim Kazanımları
| Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir: | |||
|---|---|---|---|
| No | Öğrenme Çıktıları | Prog. Yet. İlişkisi | Ölçme Yöntemi ** |
| Ö1 | Mühendislik problemlerine yaklaşık çözüm yöntemi geliştirme becerilerini sahip olur. | P.1.2 | 1,6 |
| Ö2 | Yapay Sinir Ağları prensiplerinin anlaşılması, bunların geleneksel programlardan farkını öğrenmek. | P.1.83 | 1,6 |
| Ö3 | Yapay Sinir Ağlarının temel yapısı ve çeşitli ağ yapılarının anlaşılması ve öğrenilmesi. | P.2.71 | 1,6 |
| Ö4 | Basit bir Yapay Sinir Ağlarının eğitilmesi yöntemlerinin öğrenilmesi | P.3.18 | 1,6 |
| Ö5 | Bilgisayar destekli analiz ve hesaplamaları yapar. | P.4.4 | 1 |
| Ö6 | Bir Yapay Sinir Ağları projesi hazırlama ve çalıştırılmasının öğrenilmesi | P.4.32 | 1,6 |
| ** Yazılı Sınav: 1, Sözlü Sınav: 2, Ev Ödevi: 3, Lab./Sınav: 4, Seminer/Sunum: 5, Dönem Ödevi: 6, Uygulama: 7 | |||
Dersin Haftalık İçeriği
| Hafta | Konu |
|---|---|
| 1 | Yapay Zekâ Temel Kavramlar |
| 2 | Etmenler (Ajanlar) |
| 3 | Problem Çözme ve Arama |
| 4 | Bilgisiz Arama Yöntemleri |
| 5 | Bilgili Arama Yöntemleri |
| 6 | Makine Öğrenmesine Giriş |
| 7 | Sınav Öncesi Quiz ve Genel Tekrar |
| 8 | Ara Sınav |
| 9 | Sınıflandırma Algoritmaları |
| 10 | Kümelenme ve Boyut İndirgeme |
| 11 | Derin Öğrenmeye Giriş |
| 12 | Konvolüsyonel Sinir Ağları (CNN) |
| 13 | Doğal Dil İşleme (NLP) |
| 14 | Takviyeli Öğrenme (Reinforcement Learning) |
| 15 | Sınav Öncesi Quiz ve Münazara Çalışması |
| 16 | Final Sınavı |
Ders Kitabı veya Malzemesi
| Kaynaklar | Stuart Russell, Peter Norvig,"Artificial Intelligence-A Modern Approach", 4th Edition, Pearson |
Değerlendirme Yöntemi ve Geçme Kriterleri
| Yarıyıl Çalışmaları | Sayısı | Katkı (%) |
|---|---|---|
| Devam | - | - |
| Laboratuvar | - | - |
| Uygulama | - | - |
| Ödev | - | - |
| Sunum | - | - |
| Projeler | 1 | 60 (%) |
| Kısa sınav (Quiz) | - | - |
| Dinleme | - | - |
| Ara Sınavlar | 1 | 40 (%) |
| Yarıyıl Sonu Sınavı | - | - |
| Toplam | 100 (%) | |
AKTS / Çalışma Yükü Tablosu
| Etkinlik | Sayı | Süre | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Hafta Sayısı ve Saati | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, Kütüphane, Pekiştirme) | 14 | 1 | 14 |
| Ara Sınav | 1 | 20 | 20 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Laboratuvar | 0 | 0 | 0 |
| Proje | 1 | 17 | 17 |
| Atölye | 0 | 0 | 0 |
| Sunum/Seminer Hazırlama | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Dönem Sonu Sınavı | 0 | 0 | 0 |
| Diğer | 0 | 0 | 0 |
| Toplam İş Yükü: | 99 | ||
| Toplam Yük / 30 | 3,30 | ||
| Dersin AKTS Kredisi: | 3 | ||
Ders - Öğrenme Çıktıları İlişkisi
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Öğrenme Çıktıları | P1 | P2 | P3 | P4 |
|---|---|---|---|---|---|
| Ö1 | Mühendislik problemlerine yaklaşık çözüm yöntemi geliştirme becerilerini sahip olur. | 5 | - | - | - |
| Ö2 | Yapay Sinir Ağları prensiplerinin anlaşılması, bunların geleneksel programlardan farkını öğrenmek. | 5 | - | - | - |
| Ö3 | Yapay Sinir Ağlarının temel yapısı ve çeşitli ağ yapılarının anlaşılması ve öğrenilmesi. | - | 5 | - | - |
| Ö4 | Basit bir Yapay Sinir Ağlarının eğitilmesi yöntemlerinin öğrenilmesi | - | - | 5 | - |
| Ö5 | Bilgisayar destekli analiz ve hesaplamaları yapar. | - | - | - | 5 |
| Ö6 | Bir Yapay Sinir Ağları projesi hazırlama ve çalıştırılmasının öğrenilmesi | - | - | - | 5 |