BİLGİ PAKETİ / DERS KATALOĞU
| PSİKOLOJİ (İNGİLİZCE) | |||||
|---|---|---|---|---|---|
| Kazanılan Yeterlilik | Program Süresi | Toplam Kredi (AKTS) | Öğretim Şekli | Yeterliliğin Düzeyi ve Öğrenme Alanı | |
| LİSANS DERECESİ | 4 | 240 | ÖRGÜN |
TYÇ, TYYÇ, EQF-LLL, ISCED (2011):6. Düzey QF-EHEA:1. Düzey TYYÇ, ISCED (1997-2013): |
|
Ders Genel Tanıtım Bilgileri
| Ders Kodu: | 5010003113 | ||||||||||
| Ders İsmi: | Artificial Intelligence | ||||||||||
| Ders Yarıyılı: |
Bahar Güz |
||||||||||
| Ders Kredileri: |
|
||||||||||
| Öğretim Dili: | EN | ||||||||||
| Ders Koşulu: | |||||||||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||||||||
| Ders İçin Önerilen Diğer Hususlar: | |||||||||||
| Dersin Türü: | Üniversite Seçmeli | ||||||||||
| Dersin Seviyesi: |
|
||||||||||
| Dersin Veriliş Şekli: | E-Öğrenme | ||||||||||
| Dersin Koordinatörü: | Prof. Dr. Haluk GÜMÜŞKAYA | ||||||||||
| Dersi Veren(ler): |
|
||||||||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Bu ders, modern araç ve teknikleri kullanarak halka yönelik Yapay Zekaya bir giriş sağlar. |
| Dersin İçeriği: | Yapay Zekaya Giriş, Makine Öğrenimi ve Derin Öğrenme, Temel Veri Bilimi Araç Seti, Verilerinizi Tanıma, Veri Ön İşleme ve Özellik Mühendisliği, Sınıflandırma: Karar Ağaçları ve Topluluk Öğrenimi, Regresyon: Tek Değişkenli Regresyon, Regresyon: Çoklu Giriş Değişkenli Regresyon, Polinomik Regresyon, Makine Öğreniminin Temel Teknikleri, Düzenlileştirilmiş Doğrusal Modeller, Sınıflandırma: Lojistik Regresyon, Sinir Ağlarına Giriş ve Derin Öğrenme, Yapay Zeka Uygulamaları, Yapay Zekada Etik Sorunlar. |
Öğrenme Kazanımları
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
|||||||||||||||||||||||||||||||
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Yapay Zeka, Makine Öğrenimi ve Derin Öğrenmeye Giriş | |
| 2) | Temel Veri Bilimi Araç Seti, Verilerinizi Tanıma | |
| 3) | Veri Ön İşleme ve Özellik Mühendisliği | |
| 4) | Sınıflandırma: Karar Ağaçları ve Topluluk Öğrenmesi | |
| 5) | Regresyon: Tek Değişkenli Regresyon | |
| 6) | Regresyon: Çoklu Giriş Değişkenli Regresyon | |
| 7) | Polinomial Regresyon | |
| 8) | Ara Sınav | |
| 9) | Makine Öğreniminin Temel Teknikleri | |
| 10) | Sınıflandırma: Lojistik Regresyon | |
| 11) | Sinir Ağlarına Giriş - 1 | |
| 12) | Sinir Ağlarına Giriş - 2 | |
| 13) | Derin Öğrenmeye Giriş | |
| 14) | Yapay Zeka Uygulamaları, Yapay Zekada Etik Sorunlar |
Kaynaklar
| Ders Notları / Kitaplar: | Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2022), 3rd Edition, Aurélien Geron |
| Diğer Kaynaklar: | Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2022), 3rd Edition, Aurélien Geron |
Ders - Program Öğrenme Kazanım İlişkisi
| Ders Öğrenme Kazanımları |
|---|
| Program Kazanımları |
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |
Öğrenme Etkinliği ve Öğretme Yöntemleri
Ölçme ve Değerlendirme Yöntemleri ve Kriterleri
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Toplam | % | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 0 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % | |
| Toplam | % | |