İmalat Yürütme Sistemleri Operatörlüğü
Dersin Ayrıntıları
KTO KARATAY ÜNİVERSİTESİ
Ticaret ve Sanayi Meslek Yüksekokulu
İmalat Yürütme Sistemleri Operatörlüğü Programı
Ders Bolognaları
Ticaret ve Sanayi Meslek Yüksekokulu
İmalat Yürütme Sistemleri Operatörlüğü Programı
Ders Bolognaları
| Ders Kodu | Ders Adı | Yıl | Dönem | Yarıyıl | T+U+L | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| 07821111 | Yapay Zeka ve Makine Öğrenmesi | 1 | Bahar | 2 | 2+2+0 | 5 | 5 |
| Dersin Türü | Seçmeli |
| Dersin Düzeyi | Önlisans (TYYÇ: 5. Düzey / QF-EHEA: Kısa Düzey / EQF-LLL: 5. Düzey) |
| Dersin Dili | Türkçe |
| Yöntem ve Teknikler | Anlatım, soru-cevap, tartışma, grup çalışması, problem çözme ve uygulamalı laboratuvar etkinlikleri. |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | Ön koşul yoktur; temel matematik ve programlama bilgisi önerilir. |
| Dersin Koordinatörü | Öğr.Gör. Mehmet AKSOY |
| Dersi Veren(ler) | Öğr.Gör. Yasin BÜYÜKER |
| Yardımcı(lar) | - |
Dersin Öğretim Eleman(lar)ı
| Adı Soyadı | Oda No. | E-Posta Adresi | Dahili | Görüşme Saatleri |
|---|---|---|---|---|
| Öğr.Gör. Yasin BÜYÜKER | T-219 | [email protected] | 7408 | Salı 14:00/16:00 |
Dersin İçeriği
Bu derste yapay zekânın temel kavramları, tarihsel gelişimi ve uygulama alanları ele alınır. Bilgi temsili, çıkarım mekanizmaları, uzman sistemler, bulanık mantık, genetik algoritmalar ve çok etmenli sistemler gibi temel YZ yöntemleri tanıtılır. Makine öğrenmesi türleri (denetimli, denetimsiz ve pekiştirmeli öğrenme), veri işleme adımları, model seçimi, eğitim ve değerlendirme süreçleri uygulamalı örneklerle incelenir. Öğrenciler farklı sektörlerden örneklerle yapay zekâ çözümlerinin tasarımını öğrenir.
Dersin Amacı
Bu dersin amacı, öğrencilerin yapay zekâ (YZ) ve makine öğrenmesi (MÖ) kavramlarını, çalışma prensiplerini ve uygulama alanlarını kavramalarını sağlamaktır. Öğrenciler, veri odaklı karar verme, öğrenen sistemlerin geliştirilmesi ve yapay zekâ tekniklerinin endüstriyel ve bilimsel problemlere uygulanması konularında temel bilgi ve beceriler kazanır.
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | |
| 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 |
|---|---|---|
| P4 | Mesleği ile ilgili bilişim teknolojilerini (yazılım, program, animasyon vb.) etkin kullanır | 5 |
| P5 | Mesleki problemleri ve konuları bağımsız olarak analitik ve eleştirel bir yaklaşımla değerlendirme ve çözüm önerisini sunabilme becerisine sahiptir | 4 |
| P11 | İmalat operasyonlarını ve süreçlerini tanımlama ve tasarlama becerisine sahiptir. | 3 |
Dersin Öğrenim Kazanımları
| Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir: | |||
|---|---|---|---|
| No | Öğrenme Çıktıları | Prog. Yet. İlişkisi | Ölçme Yöntemi ** |
| Ö1 | Yapay zekâ ve makine öğrenmesi temel kavramlarını bilir. | P.4.12 | |
| Ö2 | Makine öğrenmesi modelleme süreçlerini bilir. | P.4.13 | |
| Ö3 | Veri seti ön işleme süreçlerini bilir. | P.4.14 | |
| Ö4 | Veri tiplerini ve veri tipi dönüşümlerini yapabilir. | P.4.15 | |
| Ö5 | Yapay zekâ ve makine öğrenmesinin diğer disiplinlerle ilişkisini açıklar. | P.5.2 | |
| Ö6 | Yapay zeka ve makine öğrenmesinin kullanım alanlarını bilir. | P.5.3 | |
| Ö7 | Makine öğrenme model seçimi yapabilir. | P.5.4 | |
| Ö8 | Veri toplama ve veri seti oluşturma süreçlerini bilir. | P.11.5 | |
| ** 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 kavramı, tarihsel gelişimi ve temel yaklaşımlar |
| 2 | Makine öğrenmesine giriş: temel kavramlar ve bileşenler |
| 3 | Yapay zekâ türleri ve uygulama alanları |
| 4 | Uzman sistemler, bilgi temsili ve çıkarım mekanizmaları |
| 5 | Bulanık mantık ve genetik algoritmaların temelleri |
| 6 | Makine öğrenmesinde teknikler, modeller ve algoritma türleri |
| 7 | Denetimli öğrenme yöntemleri ve örnek uygulamalar |
| 8 | Denetimsiz öğrenme yöntemleri ve kümeleme yaklaşımları |
| 9 | Pekiştirmeli öğrenme kavramı ve örnek senaryolar |
| 10 | Veri toplama, ön işleme ve özellik seçimi yöntemleri |
| 11 | Model eğitimi, doğrulama ve performans ölçütleri |
| 12 | Karar destek sistemlerinde yapay zekâ uygulamaları |
| 13 | Farklı sektörlerde yapay zekâ ve makine öğrenmesi örnekleri |
| 14 | Yapay zekâ uygulamalarında etik, güvenlik ve sorumluluk |
Ders Kitabı veya Malzemesi
| Kaynaklar | Yapay Zekâ: Modern Bir Yaklaşım, Russell & Norvig |
Değerlendirme Yöntemi ve Geçme Kriterleri
| Yarıyıl Çalışmaları | Sayısı | Katkı (%) |
|---|---|---|
| Devam | - | - |
| Laboratuvar | - | - |
| Uygulama | - | - |
| Ödev | - | - |
| Sunum | - | - |
| Projeler | - | - |
| Kısa sınav (Quiz) | - | - |
| Ara Sınavlar | - | - |
| Yarıyıl Sonu Sınavı | - | - |
| Toplam | 0 (%) | |
AKTS / Çalışma Yükü Tablosu
| Etkinlik | Sayı | Süre | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Hafta Sayısı ve Saati | 14 | 4 | 56 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, Kütüphane, Pekiştirme) | 14 | 4 | 56 |
| Ara Sınav | 1 | 10 | 10 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 1 | 10 | 10 |
| Uygulama | 0 | 0 | 0 |
| Laboratuvar | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Atölye | 0 | 0 | 0 |
| Sunum/Seminer Hazırlama | 1 | 10 | 10 |
| Alan Çalışması | 0 | 0 | 0 |
| Dönem Sonu Sınavı | 1 | 10 | 10 |
| Diğer | 0 | 0 | 0 |
| Toplam İş Yükü: | 152 | ||
| Toplam Yük / 30 | 5,07 | ||
| Dersin AKTS Kredisi: | 5 | ||
Ders - Öğrenme Çıktıları İlişkisi
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Öğrenme Çıktıları | P4 | P5 | P11 |
|---|---|---|---|---|
| Ö1 | Yapay zekâ ve makine öğrenmesi temel kavramlarını bilir. | 5 | - | - |
| Ö2 | Makine öğrenmesi modelleme süreçlerini bilir. | 5 | - | - |
| Ö3 | Veri seti ön işleme süreçlerini bilir. | 5 | - | - |
| Ö4 | Veri tiplerini ve veri tipi dönüşümlerini yapabilir. | 3 | - | - |
| Ö5 | Yapay zekâ ve makine öğrenmesinin diğer disiplinlerle ilişkisini açıklar. | - | 5 | - |
| Ö6 | Yapay zeka ve makine öğrenmesinin kullanım alanlarını bilir. | - | 5 | - |
| Ö7 | Makine öğrenme model seçimi yapabilir. | - | 5 | - |
| Ö8 | Veri toplama ve veri seti oluşturma süreçlerini bilir. | - | - | 5 |