BİLGİSAYAR MÜHENDİSLİĞİ (YÜKSEK LİSANS) (TEZSİZ)
Yüksek Lisans	TYYÇ: 7. Düzey	QF-EHEA: 2. Düzey	EQF-LLL: 7. Düzey

Ders Genel Tanıtım Bilgileri

Ders Kodu:

BMB 528

Ders İsmi:

Yapay Öğrenme

Ders Yarıyılı:

Bahar

Ders Kredileri:

Teorik	Pratik	Kredi	AKTS
3	0	3	9

Öğretim Dili:

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Bölüm Seçmeli

Dersin Seviyesi:

Yüksek Lisans

TYYÇ:7. Düzey

QF-EHEA:2. Düzey

EQF-LLL:7. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Dr.Öğr.Üyesi IŞIL GÜZEY

Dersi Veren(ler):

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:	Bu dersin amacı öğrencilere yapay öğrenmeye dair kavramsal bilgileri; Python dili kullanarak model eğitimi ve sonrasında performans değerlendirme tekniklerini uygulama becerilerini kazandırmaktır.
Dersin İçeriği:	Bu ders temel yapay öğrenme kavramları, öğrenme algoritmaları, model geliştirme ve performans değerlendirme teknikleri konularını kapsar. Dersin uygulama kısmında Python programlama dili kullanılır.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Öğrenme Kazanımları

1 - Bilgi
Kuramsal - Olgusal
1) Yapay öğrenmenin yapay zeka kavramsal alanı içindeki konumunu ve istatistik bilimi ile bağlantısını algılar.
2) Yapay öğrenmeye dair temel kavramları öğrenir.
2 - Beceriler
Bilişsel - Uygulamalı
1) Python programlama dili ile veri analizi, model eğitimi, eğitilen model performansının değerlendirilmesi ve model karar verme mantığını açıklama işlemlerini uygular.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
Öğrenme Yetkinliği
Alana Özgü Yetkinlik
1) Yapay Zekanın Etik ve Hukuksal boyutlarına dair kavramları öğrenir.
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	-Yapay Öğrenme Nedir? -Yapay Öğrenme Aşamaları -Veri Türleri -Öğrenme Türleri -Model Eğitim ve Test Aşamaları -Test Yöntemleri -Model Performans Metrikleri -Yapay Öğrenme Problemleri - Eksik Öğrenme - Aşırı Öğrenme - Boyutsallık Laneti
2)	Yapay Öğrenme Tümleşik Geliştirme Ortamları (IDE) ve Kütüphaneler - Pycharm, Spyder, Jupyter, Google Colab - Numpy, Pandas, Matplotlib, Scikit-Learn -Veri Analizi ve Öznitelik Mühendisliği	- Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
3)	Denetimli Makine Öğrenmesi Algoritmaları -Tahmin - Lineer Regresyon - Çoklu Doğrusal Regresyon - Değerlendirme ve Metotların Karşılaştırılması	Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
4)	Denetimli Makine Öğrenmesi Algoritmaları -Sınıflandırma-1 - Lojistik Regresyon - K En Yakın Komşu - Naive Bayes	Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
5)	Denetimli Makine Öğrenmesi Algoritmaları -Sınıflandırma-2 - Karar Ağacı - Topluluk Öğrenme ve Rastgele Ormanlar	Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
6)	Denetimli Makine Öğrenmesi Algoritmaları - Sınıflandırma-3 - Destek Vektör Makinası (SVM) - SVM ve Çekirdek Hilesi	Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
7)	Sınıflandırma Algoritmalarının Değerlendirilmesi Ara sınav öncesi genel konuların özet tekrarı, sınıf içi soru ve cevap çalışmaları	Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
8)	Ara Sınav	Konuya ilişkin paylaşılan ders sunum ve yardımcı kaynaklardan çalışma.
9)	Denetimsiz Makine Öğrenmesi Algoritmaları-1 - Kümeleme - K-Ortalama	Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
10)	Denetimsiz Makine Öğrenmesi Algoritmaları-2 -Boyut İndirgeme - PCA - LDA	Konuya ilişkin paylaşılan sunum ve yardımcı kaynaklardan çalışma.
11)	Yapay Zekâ Etiği ve Regülasyonlar	Presentations on the subject and studies from supporting sources.
12)	Açıklanabilir Yapay Zeka - Yorumlanabilir Modeller - Post-hoc Açıklanabilirlik Yöntemleri - Model Bağımsız Yöntemler	Konuyla ilgili ortak sunumlar ve yardımcı kaynaklardan çalışmalar.
13)	Ödev Sunumları
14)	Ara sınav öncesi genel konuların özet tekrarı, sınıf içi soru ve cevap çalışmaları	Konuyla ilgili ortak sunumlar ve yardımcı kaynaklardan çalışmalar.

Kaynaklar

Ders Notları / Kitaplar:

1 - Makine Öğrenmesi Algoritmaları, Editör: Prof. Dr. Murat Gök, Nobel Yayıncılık

2 - Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi;Akıllı Sistemler Geliştirmek İçin Konseptler, Araçlar ve Teknikler, Aurelien Geron, Buzdağı Yayınevi (https://github.com/ageron/handson-ml2 )

3 - Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü, Doç. Dr. Sinan UĞUZ, 2023, Nobel Yayıncılık

4 - https://www.btkakademi.gov.tr/portal/course/python-ile-makine-ogrenmesi-11800

5- https://www.btkakademi.gov.tr/portal/course/veri-bilimi-icin-python-ve-tensorflow-11705

6- Explanatory Model Analysis - https://ema.drwhy.ai/

7- Interpretable Machine Learning - A Guide for Making Black Box Models Explainable

Diğer Kaynaklar:

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları	1	2	3	4
Program Kazanımları
1) Planlama, analiz, tasarım ve yapılandırma aşamalarını içeren bilgi sistemleri geliştirilmesinde kapsamlı bilgi sahibi olma, ilgili geliştirme yöntemleri ve modelleme araçlarını tanıma.
2) Bilgisayar mühendisliği alanında ileri uygulamaları gerçekleştirecek düzeyde kapsamlı bilgi sahibi olma.
3) Bilgi ve İletişim Teknolojileri alanında uygulamalı araştırma yaparak bilgiye ulaşabilme, değerlendirme ve uygulama, farklı disiplinlerden bilgiyi entegre etme.
4) Farklı alanlarda bilimsel yöntemlerle bilgiyi keşfetme, sonuç çıkarma, paylaşma ve uygulama; farklı disiplinlere ait bilgileri ilişkilendirme.
5) Bilgi teknolojileri alanıyla ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilme.
6) Bilgi ve İletişim Teknolojileri alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirebilme ve sorumluluk alarak çözüm üretebilme.
7) Bilgi ve İletişim Teknolojileri alanı ile ilgili sorunların çözümlenmesini gerektiren ortamlarda liderlik yapabilme.
8) Bilgisayar Mühendisliği alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme ve öğrenmesini yönlendirebilme.
9) Bilgisayar Mühendiliği alanındaki güncel çalışmalardan haberdar olma, gelişmeleri sürekli takip etme, gerektiğinde bunları inceleme ve adlandırma.
10) Türkçe ve İngilizce olarak sözlü ve yazılı etkin iletişim kurma.
11) Çalışmalarında toplumsal, bilimsel ve etik değerleri gözetme.
12) Bilgi Teknolojileri ile ilgili konularda strateji, politika ve uygulama planları geliştirebilme ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirebilme.
13) Bilgisayar Mühendiliği alanında özümsedikleri bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinlerarası çalışmalarda kullanabilme.

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

	Dersin Program Kazanımlarına Etkisi	Katkı Payı
1)	Planlama, analiz, tasarım ve yapılandırma aşamalarını içeren bilgi sistemleri geliştirilmesinde kapsamlı bilgi sahibi olma, ilgili geliştirme yöntemleri ve modelleme araçlarını tanıma.	3
2)	Bilgisayar mühendisliği alanında ileri uygulamaları gerçekleştirecek düzeyde kapsamlı bilgi sahibi olma.	5
3)	Bilgi ve İletişim Teknolojileri alanında uygulamalı araştırma yaparak bilgiye ulaşabilme, değerlendirme ve uygulama, farklı disiplinlerden bilgiyi entegre etme.	4
4)	Farklı alanlarda bilimsel yöntemlerle bilgiyi keşfetme, sonuç çıkarma, paylaşma ve uygulama; farklı disiplinlere ait bilgileri ilişkilendirme.	4
5)	Bilgi teknolojileri alanıyla ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilme.	5
6)	Bilgi ve İletişim Teknolojileri alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirebilme ve sorumluluk alarak çözüm üretebilme.	4
7)	Bilgi ve İletişim Teknolojileri alanı ile ilgili sorunların çözümlenmesini gerektiren ortamlarda liderlik yapabilme.	3
8)	Bilgisayar Mühendisliği alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme ve öğrenmesini yönlendirebilme.	4
9)	Bilgisayar Mühendiliği alanındaki güncel çalışmalardan haberdar olma, gelişmeleri sürekli takip etme, gerektiğinde bunları inceleme ve adlandırma.	3
10)	Türkçe ve İngilizce olarak sözlü ve yazılı etkin iletişim kurma.	2
11)	Çalışmalarında toplumsal, bilimsel ve etik değerleri gözetme.	4
12)	Bilgi Teknolojileri ile ilgili konularda strateji, politika ve uygulama planları geliştirebilme ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirebilme.	5
13)	Bilgisayar Mühendiliği alanında özümsedikleri bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinlerarası çalışmalarda kullanabilme.	5

Öğrenme Etkinliği ve Öğretme Yöntemleri

Anlatım
Beyin fırtınası /Altı şapka
Bireysel çalışma ve ödevi
Ders
Okuma
Ödev
Problem Çözme
Soru cevap/ Tartışma

Ölçme ve Değerlendirme Yöntemleri ve Kriterleri

Yazılı Sınav (Açık uçlu sorular, çoktan seçmeli, doğru yanlış, eşleştirme, boşluk doldurma, sıralama)
Ödev

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Devam	14	% 0
Ödev	1	% 20
Ara Sınavlar	1	% 30
Final	1	% 50
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 50
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 50
Toplam		% 100

İş Yükü ve AKTS Kredisi Hesaplaması

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ders Saati	14	3	42
Sınıf Dışı Ders Çalışması	12	3	36
Ödevler	1	20	20
Ara Sınavlar	1	20	20
Final	1	32	32
Toplam İş Yükü			150