GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| YÖN311B.1 | Yapay Zeka | Seçmeli Ders Grubu | 3 | 5 | 4,00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Türkçe
[DersinAmaci]
Bu dersin amacı, öğrencilere yapay zekânın temel kavramlarını, yöntemlerini ve algoritmalarını öğretmek; klasik yapay zekâ, makine öğrenmesi ve üretken yapay zekâ yaklaşımlarını tanıtmaktır. Ders kapsamında büyük dil modellerinin (LLM) çalışma mantığının, prompt mühendisliğinin ve güncel yapay zekâ uygulamalarının anlaşılması; bu teknolojilerin yönetim bilişim sistemleri ve işletme süreçlerinde etkin, eleştirel ve sorumlu biçimde kullanılabilmesi hedeflenmektedir.
Dersi Veren Öğretim GörevlisiGörevlileri
Doç. Dr. Erdemalp ÖZDEN
Öğrenme Çıktıları
| 1 | Yapay zekânın temel kavramlarını, klasik ve modern yaklaşımlarını açıklar. |
| 2 | Klasik yapay zekâ ve makine öğrenmesi temelli yaklaşımları karşılaştırır ve bu yaklaşımların problem çözme süreçlerindeki kullanım alanlarını değerlendirir. |
| 3 | Makine öğrenmesi, yapay sinir ağları, derin öğrenme ve doğal dil işleme yaklaşımlarının temel çalışma mantığını açıklar. |
| 4 | Büyük dil modellerinin (LLM) temel çalışma mantığını açıklar; etkili promptlar tasarlar ve yapay zekâ çıktılarının doğruluğunu, tutarlılığını ve kullanım değerini değerlendirir. |
| 5 | Yapay zekâ uygulamalarını yönetim bilişim sistemleri ve işletme süreçleri bağlamında analiz eder; etik, güvenilirlik ve sorumlu kullanım boyutlarını tartışır. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Yapay zekâya giriş ve temel kavramlar; akıllı ajanlar; arama ve problem çözme algoritmaları; bilgi gösterimi ve uzman sistemler; bulanık mantık ve genetik algoritmalar; makine öğrenmesinin temelleri; yapay sinir ağları ve derin öğrenmeye giriş; doğal dil işleme; Transformer mimarisi ve büyük dil modellerinin (LLM) temel çalışma mantığı; token ve bağlam kavramları; prompt mühendisliği ve etkili prompt tasarımı; üretken yapay zekâ araçlarının kullanımı ve çıktılarının değerlendirilmesi; yapay zekânın işletmelerde ve yönetim bilişim sistemlerinde uygulanması; yapay zekâ etiği, güvenilirlik ve sorumlu kullanım.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Dersin Tanıtımı ve Bilgisayarların Çalışma Mantığı: Dersin amacı, öğrenme çıktıları, haftalık planı, öğretim yöntemleri ve değerlendirme esasları; elektrik sinyalleri, transistörler ve ikili sayı sistemi üzerinden bilgisayarların temel çalışma mantığı. | ||
| 2 | Bilginin Sayısal Temsili ve Algoritmalar: Bit ve bayt kavramları, metinlerin, sayıların ve görüntülerin bilgisayarda temsil edilmesi; algoritmalar, hesaplama mantığı ve temel problem çözme süreçleri. | ||
| 3 | Yapay Zekânın Tarihsel Gelişimi: Turing testi, sembolik yapay zekâ, kural tabanlı sistemler, uzman sistemler, yapay zekânın gelişim dönemleri ve öğrenen sistemlere geçiş. | ||
| 4 | Makine Öğrenmesine Giriş: Veri ve örüntü kavramları, denetimli ve denetimsiz öğrenme, sınıflandırma, regresyon, model eğitimi, tahmin ve hata kavramları. | ||
| 5 | Yapay Sinir Ağlarının Temelleri: Biyolojik ve yapay nöronlar, girdiler, ağırlıklar, aktivasyon fonksiyonları, gizli katmanlar, ileri yayılım ve öğrenme sürecinin temel mantığı. | ||
| 6 | Derin Öğrenme ve Bilgisayarlı Görü: Derin öğrenmenin temel yapısı, görüntülerin piksel düzeyinde temsili, görüntü sınıflandırma, nesne tanıma ve bilgisayarlı görü uygulamaları. | ||
| 7 | Üretken Yapay Zekâya Giriş: Geleneksel ve üretken yapay zekâ arasındaki farklar, üretken modellerin temel mantığı, metin, görüntü, ses ve video üretimi ile çok modlu yapay zekâ uygulamaları. | ||
| 8 | Ara Sınav | ||
| 9 | Doğal Dil İşleme ve Sayısal Dil Temsili: Doğal dil işlemenin temel kavramları, metinlerin sayısal temsili, tokenlaştırma, kelime gömmeleri (embeddings) ve dil modellerine giriş. | ||
| 10 | Transformer Mimarisi ve Büyük Dil Modelleri: Dikkat (attention) mekanizması, Transformer mimarisinin temel yapısı, büyük dil modellerinin gelişimi ve temel çalışma prensipleri. | ||
| 11 | Büyük Dil Modellerinin Çalışma ve Öğrenme Süreçleri: Sonraki token tahmini, model eğitimi, bağlam penceresi, yanıt üretimi, model parametreleri ve büyük dil modellerinin yetenekleri ile sınırlılıkları. | ||
| 12 | Prompt Mühendisliği ve Etkili Prompt Tasarımı: Prompt yapısı, talimat ve bağlam oluşturma, zero-shot ve few-shot prompting, örneklerle yönlendirme, yapılandırılmış çıktılar ve uygulamalı prompt tasarımı. | ||
| 13 | İleri LLM Uygulamaları ve Yapay Zekâ Ajanları: LLM çıktılarının karşılaştırılması ve değerlendirilmesi, bilgi erişimiyle desteklenen üretim (RAG), araç kullanımı, yapay zekâ ajanları ve çok adımlı iş akışları. | ||
| 14 | Yapay Zekâ Etiği, Güvenilirlik ve Sorumlu Kullanım: Halüsinasyonlar, algoritmik önyargılar, veri gizliliği, kişisel verilerin korunması, şeffaflık, hesap verebilirlik ve insan denetimi. | ||
| 15 | Yönetim Bilişim Sistemlerinde Yapay Zekâ Uygulamaları: İşletme süreçlerinde yapay zekâ kullanımı, karar destek sistemleri, iş zekâsı, otomasyon, LLM tabanlı iş problemlerinin çözümü, örnek olaylar ve genel değerlendirme. | ||
| 16 | Yarıyıl Sonu Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. deeplearningbook.org
Planlanan Öğrenme Aktiviteleri ve Metodları
Etkileşimli ders anlatımı, soru-yanıt, problem çözme, örnek olay incelemeleri, yapay zekâ algoritmalarının ve uygulamalarının gösterimi, büyük dil modelleriyle uygulamalı prompt tasarımı, farklı promptların ve yapay zekâ çıktılarının karşılaştırmalı değerlendirilmesi, güncel yapay zekâ gelişmelerinin tartışılması, bireysel çalışmalar ve kısa uygulama ödevleri. Öğrencilerin aktif katılımı ve öğrenme süreçleri sınıf içi etkinlikler ve anlık geri bildirimlerle desteklenir.
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 70 |
| Rapor Hazırlama | 1 | 30 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Rapor Hazırlama | 1 | 15 | 15 |
| Bireysel Çalışma | 8 | 2 | 16 |
| Ara Sınav İçin Bireysel Çalışma | 4 | 3 | 12 |
| Final Sınavı içiin Bireysel Çalışma | 6 | 3 | 18 |
| Okuma | 14 | 1 | 14 |
| Toplam İş Yükü (saat) | 120 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | |
| ÖÇ 1 | 3 | 2 | 3 | 2 | 3 | |
| ÖÇ 2 | 3 | 2 | 3 | 2 | 2 | |
| ÖÇ 3 | 3 | 3 | 2 | |||
| ÖÇ 4 | 3 | 2 | 2 | 4 | ||
| ÖÇ 5 | 3 | 4 | 2 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek