Türkçe English Ders İçerik Rapor
Ders Öğretim Planı
MÜHENDİSLİKTE YAPAY ZEKA UYGULAMALARI
1 Dersin Adı: MÜHENDİSLİKTE YAPAY ZEKA UYGULAMALARI
2 Dersin Kodu: OTO4049
3 Dersin Türü: Seçmeli
4 Dersin Seviyesi: Lisans
5 Dersin Verildiği Yıl: 4
6 Dersin Verildiği Yarıyıl: 7
7 Dersin AKTS Kredisi: 4
8 Teorik Ders Saati (saat/hafta): 3
9 Uygulama Ders Saati (saat/hafta): 0
10 Laboratuar Ders Saati (saat/hafta): 0
11 Dersin Önkoşulu Yok
12 Ders İçin Önerilen Diğer Hususlar Yok
13 Dersin Dili: Türkçe
14 Dersin Veriliş Şekli Yüz yüze
15 Dersin Koordinatörü: Doç. Dr. EMRE İSA ALBAK
16 Dersi Veren Diğer Öğretim Elemanları: Yok
17 Ders Koordinatörünün İletişim Bilgileri: emrealbak@uludag.edu.tr
18 Dersin Web Adresi: Yok
19 Dersin Amacı Bu dersin amacı, mühendislik öğrencilerine yapay zekanın temel prensiplerini ve uygulama alanlarını tanıtmaktır.
20 Dersin Mesleki Gelişime Katkısı: Bu ders, mühendislik öğrencilerinin yapay zeka alanındaki bilgi ve becerilerini geliştirerek, modern mühendislik problemlerine yönelik yenilikçi çözümler üretmelerini sağlar.
21 Ders Öğrenme Kazanımları
1 Yapay zeka teknolojilerini ve temel prensiplerini mühendislik bağlamında tanımlayabilme.;
2 Makine öğrenimi ve derin öğrenme algoritmalarını uygulayarak veri analizi yapabilme.;
3 Mühendislik problemlerinde yapay zeka ile ilgili uygun model ve algoritmaları seçebilme.;
4 Yapay zeka algoritmaları ile optimizasyon yaparak verimliliği artıran çözümler geliştirebilme.;
5 Yapay zeka uygulamalarında etik, güvenlik ve gizlilik konularını değerlendirebilme.;
6 Farklı mühendislik alanlarında yapay zekanın potansiyel uygulama alanlarını analiz ederek çözüm odaklı projeler geliştirebilme.;
22 Dersin İçeriği
Hafta Teori Uygulama
1 Giriş ve Yapay Zeka Kavramı
2 Yapay Zeka için Temel Bilgileri
3 Makine Öğrenimi Yöntemleri ve Sınıflandırılması
4 Veri İşleme ve Özellik Çıkartma
5 K-Nearest Neighbors (KNN), Destek Vektör Makineleri (SVM)
6 Karar Ağaçları ve Ansambl Öğrenme Yöntemleri
7 Yapay Sinir Ağları (ANN)
8 Derin Öğrenme ve Convolutional Neural Networks (CNN)
9 Doğal Dil İşleme (NLP) ve RNN (Recurrent Neural Networks)
10 Pekiştirmeli Öğrenme (Reinforcement Learning)
11 Yapay Zeka Uygulamaları için Programlama Dilleri ve Kütüphaneler
12 Yapay Zeka ile Optimizasyon Teknikleri
13 Mühendislikte Yapay Zeka Proje Sunumları ve Değerlendirme
14 Mühendislikte Yapay Zeka Proje Sunumları ve Değerlendirme
23 Ders Kitabı, Referanslar ve/veya Diğer Kaynaklar:
24 Değerlendirme
YARIYIL İÇİ ÇALIŞMALARI SAYISI KATKI YÜZDESİ
Ara Sınav 1 20
Kısa Sınav 0 0
Ödev 1 20
Yıl sonu Sınavı 1 60
Toplam 3 100
Yıl içi çalışmalarının Başarıya Oranı 40
Finalin BAşarıya Oranı 60
Toplam 100
Derste Kullanılan Ölçme ve Değerlendirme Yaklaşımları Ara sınav, Final sınavı, Ödev
Açıklama Sonuçlar, öğrenci otomasyon sistemi ile saptanan harf notu ile belirlenmektedir.
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 2 28
Ödevler 1 15 15
Projeler 0 0 0
Arazi Çalışmaları 0 0 0
Arasınavlar 1 15 15
Diğer 0 0 0
Yarıyıl Sonu Sınavları 1 20 20
Toplam İş Yükü 135
Toplam İş Yükü / 30 saat 4
Dersin AKTS Kredisi 4
26 PROGRAM YETERLİLİKLERİ İLE DERS ÖĞRENİN KAZANIMLARI İLİŞKİSİ TABLOSU
PY1 PY2 PY3 PY4 PY5 PY6 PY7 PY8 PY9 PY10 PY11 PY12
OK1 0 0 0 0 4 4 0 0 0 0 0 0
OK2 0 4 4 4 4 0 0 0 0 0 0 0
OK3 0 0 0 0 0 0 0 0 0 0 0 0
OK4 0 0 0 0 0 0 0 0 0 0 0 0
OK5 0 0 0 0 0 0 0 0 0 0 0 0
OK6 0 0 0 0 0 0 0 0 0 0 0 0
ÖK: Öğrenme Kazanımları PY: Program yeterlilikleri
Katkı Düzeyi: 1 Çok Düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok Yüksek
Bologna İletişim
Mail : bologna@uludag.edu.tr
Tasarım & Kodlama
Bilgi İşlem Daire Başkanlığı © 2015
otomasyon@uludag.edu.tr