Yapay zeka yöntemlerinin temelinde yatan ve tasarım, öğrenme veya değerlendirme süreçlerinde kullanışlı matematiksel yaklaşımları öğretmek, bu bağlamda sinyal analizi, olasılık teoremi, optimizasyon teknikleri, rasgele süreçler, istatistiki testler, bilgi teorisi, bulanık mantık, inanç teorisi, karar süreçleri ve derin ağlar üzerine kapsamlı incelemelerde bulunmak.
20
Dersin Mesleki Gelişime Katkısı:
Yaygınlıkla kullanılan yapay zeka yöntemlerinin işleyiş mantığını öğrencilere kavratmak ve benzer akıllı yöntemler tasarlayabilmek için gerekli matematiksel altyapıyı oluşturmak.
21
Ders Öğrenme Kazanımları
1
Yapay zeka sistemlerinin gereklerini ve eksiklerini bilme;
2
Gerçek problemleri yapay zeka sistemleriyle çözmek üzere analiz edebilme;
3
Olasılık, bilgi ve inanç teorilerini akıllı sistemlerin temsil, öğrenme veya test süreçleriyle bağdaştırabilme;
4
Öğrenmeyi sağlayan optimizasyon teknikleri hakkında bilgi sahibi olma;
5
Bulanık mantık tabanlı ve olasılık tabanlı uygulamalar arasındaki farkları tanımlayabilme;
6
Karar ağaçları, yapay sinir ağları veya derin ağlar ile ampirik veya istatistiki modeller öğrenebilme;
7
Öğrenme stratejilerinin yapay sinir ağlarından derin ağlara evrilmesini gerekçelendirebilme;
22
Dersin İçeriği
Hafta
Teori
Uygulama
1
Yapay zekanın sınırları, insan düzeyinde yapay zeka, uzman sistemler
2
Sinyal terminolojisi ve sinyal karakteristiği
3
Olasılık teorisi, koşulsal olasılık, Bayes teoremi, bağımsızlık
4
Olasılık tabanlı sınıflandırıcılar, veri hazırlama, değerlendirme
5
Öğrenmenin temelleri ve optimizasyon teknikleri
6
Yapay sinir ağlarında optimizasyon, geri besleme, ağ parametreleri
7
Rasgele süreçler ve karar verme
8
İstatistiki testler, bilgi teorisi
9
Bulanıklık ve inanç teorisi
10
Bulanık mantık uygulamaları
11
Hopfield ağları, Boltzmann makineleri
12
Derin kısıtlanmış Boltzmann makineleri
13
Değişken otokodlayıcılar
14
Takviyeli öğrenme, Markov karar süreçleri
23
Ders Kitabı, Referanslar ve/veya Diğer Kaynaklar:
1. Jackson, P. C., 2019. Toward Human-Level Artificial Intelligence, Dover Publications Inc, ISBN-10: 0486833003 ISBN-13: 978-0486833002. 2. Bender, E. A., 1996. Mathematical Methods Artificial Intelligence, Wiley-IEEE Computer Society Pr, ISBN-10: 0818672005 ISBN-13: 978-0-818-67200-2. 3. Stone, J. V., 2019. Artificial Intelligence Engines: A Tutorial Introduction to the Mathematics of Deep Learning, Sebtel Press, ISBN-10: 0956372813 ISBN-13: 978-0956372819.
24
Değerlendirme
YARIYIL İÇİ ÇALIŞMALARI
SAYISI
KATKI YÜZDESİ
Ara Sınav
1
20
Kısa Sınav
0
0
Ödev
3
30
Yıl sonu Sınavı
1
50
Toplam
5
100
Yıl içi çalışmalarının Başarıya Oranı
50
Finalin BAşarıya Oranı
50
Toplam
100
Derste Kullanılan Ölçme ve Değerlendirme Yaklaşımları
yazılı sınavlar, ödevler, araştırma raporu, sunum
Açıklama
25
AKTS / İŞ YÜKÜ TABLOSU
Etkinlik
SAYISI
Süresi [Saat]
Toplam İş Yükü [Saat]
Teorik Dersler
14
3
42
Uygulamalı Dersler
0
0
0
Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, pekiştirme)
14
3
42
Ödevler
3
18
54
Projeler
0
0
0
Arazi Çalışmaları
0
0
0
Arasınavlar
1
16
16
Diğer
0
0
0
Yarıyıl Sonu Sınavları
1
24
24
Toplam İş Yükü
178
Toplam İş Yükü / 30 saat
5,93
Dersin AKTS Kredisi
6
26
PROGRAM YETERLİLİKLERİ İLE DERS ÖĞRENİN KAZANIMLARI İLİŞKİSİ TABLOSU
