Bilgi Paketi / Ders Kataloğu
| Ekonomi | |||||
| Lisans | Programın Süresi: 4 | Kredi Sayısı: 240 | TYYÇ: 6. Düzey | QF-EHEA: 1. Düzey | EQF: 6. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Mühendislik Fakültesi | |||||
| Ders Kodu | AI 250 | |||||
| Ders Adı İngilizce | Artificial Intelligence | |||||
| Ders Adı Türkçe | Yapay Zeka | |||||
| Öğretim Dili | EN | |||||
| Ders Türü | Ters-Yüz Öğrenme | |||||
| Dersin Düzeyi | Seçiniz | |||||
| Dönem | Güz | |||||
| Haftalık İletişim Saatleri |
|
|||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 150 saat | |||||
| Ders Kredileri | 6 AKTS | |||||
| Değerlendirme | Standart Harf Notu | |||||
| Ön Koşul | Yok | |||||
| Yan Koşul | Yok | |||||
| Beklenen Ön Bilgi | Yok | |||||
| Kayıt Kısıtlamaları | Sadece Lisans Öğrencileri | |||||
| Genel Eğitim Hedefi | Temel yapay zekâ yöntemlerinde sağlam ve uygulama odaklı bir altyapı kazanmak; problemleri arama ve akıl yürütme görevleri olarak formüle edebilme, sezgisel (heuristic) ve kısıt tabanlı çözümler tasarlayabilme, bilgiyi biçimsel olarak temsil edebilme, mantıksal çıkarım yapabilme ve belirsizlik altında karar verebilme becerilerini geliştirmek. Ayrıca istatistiksel öğrenme, oyun oynama ve bilgisayarlı görü kavramlarına giriş düzeyinde aşinalık kazanmak. Ters-yüz sınıf (flipped classroom) yapısı aracılığıyla kuramsal fikirleri çalışan uygulamalara dönüştürmeyi öğrenmek ve yapay zekâ yaklaşımlarını uygun ölçütler ve varsayımlar çerçevesinde eleştirel biçimde değerlendirebilmek. | |||||
| Ders Açıklaması | Bu ders, veri biliminin temel kavram ve yöntemlerini kapsamlı biçimde ele almaktadır. Veri toplama, temizleme ve görselleştirme süreçlerinin yanı sıra temel istatistiksel analizlerin ve makine öğrenmesi algoritmalarının giriş düzeyinde kullanımı öğretilmektedir. Veri işleme ve analiz uygulamaları, yaygın Python kütüphaneleri (pandas, NumPy, matplotlib vb.) aracılığıyla gerçekleştirilmektedir. Ayrıca veri etiği, gizlilik ve büyük veri teknolojileri gibi konulara da giriş düzeyinde yer verilmektedir. Ders, öğrencilerin analitik düşünme ve problem çözme becerilerini güçlendirerek onları veri bilimi alanında ileri düzey çalışmalara hazırlamaktadır. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) Yapay zekâ problemlerini durum-uzayı (state-space) temsilleri, kısıtlar ve amaç (hedef) fonksiyonları kullanarak formüle eder; 2) Bilgisiz (uninformed) arama yöntemlerini (BFS, DFS, uniform-cost search) gerçekleştirir ve zaman/alan karmaşıklıklarını analiz eder; ayrıca sezgisel (heuristic) arama algoritmalarını (örneğin, greedy best-first, A*) tasarlayıp uygulayabilir ve sezgisel fonksiyonların kalitesini ve kabul edilebilirliğini (admissibility) kavramsal ve uygulamalı olarak değerlendirebilir; 3) Çözüm uzayı budama tekniklerini uygular ve budamanın verimliliği nasıl artırdığını açıklayabilir (örneğin, oyunlarda alfa–beta budama); arama ve değerlendirme fonksiyonlarına dayalı olarak basit bir oyun oynayan ajan geliştirir ve stratejisini gerekçelendirebilir; 4) Kısıt doyurma problemlerini (CSP) geri izleme (backtracking), ileri kontrol (forward checking) ve sezgisel değişken/değer sıralama stratejileri ile modelleyip çözebilir; bilgiyi önerme mantığı ve birinci dereceden mantık düzeyinde (giriş seviyesi) temsil edebilir ve temel mantıksal çıkarım yöntemlerini (resolution, ileri/geri zincirleme) uygulayabilir; 5) Belirsizlik altında karar verme süreçlerini olasılıksal akıl yürütmenin temelleriyle (Bayes sezgisi, koşullu olasılık, beklenen fayda – kavramsal düzeyde) ele alabilir; veriden öğrenmeyi açıklayabilir ve örnekler üzerinden sınıflandırma/regresyon için basit istatistiksel öğrenme yaklaşımlarını uygulayabilir; 6) Temel bilgisayarlı görü için yapay zekâ iş akışını (AI pipeline) açıklayabilir ve küçük ölçekli, giriş düzeyinde bir görü görevi ya da öznitelik (feature) tabanlı bir yaklaşımı uygulayabilir. |
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| 1) Ekonomi konusunda geniş bir anlayışa sahip olup, diğer sosyal bilimler ve matematikle derin bir etkileşime sahip olmak. | ||||||
| 2) Farklı ekonomi alanlarının etkileşimlerini anlama konusunda bilgi ve beceriler sergilemek | ||||||
| 3) Mikroekonomik ve makroekonomik teoriyi anlamak | ||||||
| 4) Ekonomik kavramları karmaşık sorunları çözmek ve karar verme yeteneğini geliştirmek için uygulamak. | ||||||
| 5) Farklı ekonomik sistemleri analiz etmek için nicel teknikler kullanmak. | ||||||
| 6) Teorik bilgileri, Türk ve küresel ekonomilere ilişkin sorunları analiz etmek için uygulamak. | ||||||
| 7) Ekonomik verileri işlemek ve değerlendirmek için istatistiksel araçlar ve yaygın yazılım programları konusunda yetkinlik göstermek. | ||||||
| 8) Ekonomik analizin tüm aşamalarında - veri toplama, yorumlama ve bulguları yayma - bilimsel ve etik değerlere göre davranmak. | ||||||
| 9) Bilimsel bilgileri alışverişinde yazılı ve sözlü İngilizceyi etkili bir şekilde kullanmak (en az CEFR B2 seviyesinde). | ||||||
| 10) Bireysel ve profesyonel etik davranış sergiler ve sosyal sorumluluk taşımak. | ||||||
| 11) Yüksek derecede özerklikle daha ileri çalışmalar için gerekli öğrenme becerilerini sergilemek. |
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme | |
| 1) | Ekonomi konusunda geniş bir anlayışa sahip olup, diğer sosyal bilimler ve matematikle derin bir etkileşime sahip olmak. | N | |
| 2) | Farklı ekonomi alanlarının etkileşimlerini anlama konusunda bilgi ve beceriler sergilemek | N | |
| 3) | Mikroekonomik ve makroekonomik teoriyi anlamak | N | |
| 4) | Ekonomik kavramları karmaşık sorunları çözmek ve karar verme yeteneğini geliştirmek için uygulamak. | N | |
| 5) | Farklı ekonomik sistemleri analiz etmek için nicel teknikler kullanmak. | N | |
| 6) | Teorik bilgileri, Türk ve küresel ekonomilere ilişkin sorunları analiz etmek için uygulamak. | N | |
| 7) | Ekonomik verileri işlemek ve değerlendirmek için istatistiksel araçlar ve yaygın yazılım programları konusunda yetkinlik göstermek. | N | |
| 8) | Ekonomik analizin tüm aşamalarında - veri toplama, yorumlama ve bulguları yayma - bilimsel ve etik değerlere göre davranmak. | H | |
| 9) | Bilimsel bilgileri alışverişinde yazılı ve sözlü İngilizceyi etkili bir şekilde kullanmak (en az CEFR B2 seviyesinde). | H | |
| 10) | Bireysel ve profesyonel etik davranış sergiler ve sosyal sorumluluk taşımak. | H | |
| 11) | Yüksek derecede özerklikle daha ileri çalışmalar için gerekli öğrenme becerilerini sergilemek. | H |
| Hazırlayan ve Tarih | TUNA ÇAKAR , February 2026 |
| Ders Koordinatörü | TUBA AYHAN |
| Dönem | Güz |
| Dersi Veren(ler) |
Ders İçeriği
| Hafta | Konu |
| 1) | Yapay Zekâya Giriş: akıllı ajanlar, problem formülasyonu, durum uzayları; ters-yüz (flipped) işleyiş; |
| 2) | Bilgisiz (Uninformed) Arama I: BFS, DFS; tamlık (completeness) / optimalite; karmaşıklık analizi; |
| 3) | Bilgisiz (Uninformed) Arama II: uniform-cost search; problem modelleme uygulamaları; |
| 4) | Sezgisel (Heuristic) Arama I: greedy best-first, A*; sezgisel tasarımına yönelik sezgisel yaklaşım; |
| 5) | Sezgisel (Heuristic) Arama II: kabul edilebilirlik (admissibility) / tutarlılık (consistency) kavramları; performans değerlendirme; |
| 6) | Bilgisayarlı görü (giriş): öznitelikler (features), basit iş akışları; proje demoları/sunumları; |
| 7) | CSP İyileştirmeleri: ileri kontrol (forward checking), yay tutarlılığı (arc consistency – giriş); gerçek CSP örnekleri |
| 8) | Bilgi temsili: önerme mantığı; çıkarım temelleri; |
| 9) | Birinci dereceden mantık temelleri; çıkarım stratejileri (giriş) ve kural tabanlı sistemler; |
| 10) | Belirsizlik altında karar verme: olasılık temelleri, Bayes sezgisi, beklenen fayda (giriş); |
| 11) | Örneklerden öğrenme: istatistiksel öğrenmeye genel bakış; basit sınıflandırma/regresyon uygulamaları; |
| 12) | Oyun oynama: minimax ve alfa–beta budama; değerlendirme fonksiyonları; |
| 13) | Bilgisayarlı görü (giriş): öznitelikler (features), basit iş akışları; proje demoları/sunumları; |
| 14) | Bilgisayarlı görü (giriş): öznitelikler (features), basit iş akışları; proje demoları/sunumları; |
| 15) | Final Sınavı / Proje / Sunum Dönemi |
| 16) | Final Sınavı / Proje / Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | ● Öğretim elemanı tarafından hazırlanan ders notları ve ders öncesi videolar ● Arama, kısıt doyurma problemleri (CSP), mantık ve belirsizlik konularını içeren yapay zekâya giriş ders kitabı bölümleri (öğretim elemanı tarafından seçilmiş) ● Uygulamaya yönelik kısa rehber okumalar/eğitim materyalleri (Python ve temel kütüphaneler) | |||||||||||||||||||||
| Öğretme Teknikleri | ● Ders öncesi videolar/okumalar + kısa hazırlık (readiness) quizleri ● Ders içi problem çözme ve algoritma adım adım incelemeleri ● Rehberli kodlama / laboratuvar etkinlikleri ● Ödevler ve mini-proje ara teslimleri ● Akran tartışmaları ve geri bildirim oturumları | |||||||||||||||||||||
| Ödev ve Projeler | ● Haftalık/iki haftada bir ödevler (algoritma izleme, kısa ispatlar / gerekçelendirmeler, karmaşıklık soruları) ● Kodlama ödevleri (arama, kısıt doyurma problemleri (CSP), oyun oynama, basit öğrenme görevi) ● Dönem Projesi (bireysel veya takım): Kısa bir rapor ve sunum eşliğinde küçük ölçekli bir yapay zekâ ajanı/sistemi geliştirme (örneğin, bulmaca çözücü, çizelgeleme CSP’si, oyun ajanı, basit bir sınıflandırıcı) | |||||||||||||||||||||
| Laboratuvar Çalışması | ● Arama algoritmalarını gerçekleştirme ve kıyaslama amaçlı örnek (benchmark) oyuncak problemler üzerinde performans analizi ● Sezgisel (heuristic) seçimlerle CSP çözücü deneyleri ● Basit olasılıksal akıl yürütme uygulamaları (oyuncak Bayes örnekleri) ● Eğitim/test değerlendirmesi içeren temel istatistiksel öğrenme uygulaması ● Alfa–beta budama (alpha–beta pruning) içeren oyun oynayan ajan gerçekleştirme | |||||||||||||||||||||
| Bilgisayar Kullanımı | ● Python programlama ortamı (Jupyter/Colab/yerel IDE) ● Standart kütüphaneler + temel makine öğrenmesi kütüphanesi (örneğin, giriş düzeyi öğrenme görevleri için scikit-learn) ● Arama ağaçları ve performans grafiklerini görselleştirmek için isteğe bağlı araçlar | |||||||||||||||||||||
| Diğer Aktiviteler | ||||||||||||||||||||||
| Değerlendirme Yöntemleri |
|
|||||||||||||||||||||
| Ders Yönetimi |
cakart@mef.edu.tr 5th Floor Devam Kuralları: Derslere en az %70 devam zorunludur. Ara Sınavı Kaçırma: Ara sınavlara istisnasız katılmanız ve seyahat planlarınızı bu tarihlere göre ayarlamanız beklenmektedir. Doktor raporu ile belgelendirilen tıbbi acil durumlar bu kuralın dışındadır. Sınav günü sağlık merkezinde muayene edildiğinizi belirten bir belge tek başına mazeretli sayılmak için yeterli değildir. Raporun, sınava tıbben giremeyecek durumda olduğunuzu açıkça belirtmesi gerekmektedir. Uygun mazeret belgeleri sunulduğu takdirde, kaçırılan her ara sınav için telafi sınavı yapılacaktır. Sınava belirlenen tarihte girmez ve geçerli bir mazeret sunmazsanız, sınav notunuz sıfır (0) olarak değerlendirilecektir. İş görüşmeleri, işveren etkinlikleri, düğünler, tatiller vb. mazeret olarak kabul edilmez. Final Sınavını Kaçırma: Fakülte yönetmelik hükümleri uygulanır. Uygunsuz Davranış ve Akademik Dürüstlük: Uygunsuz davranış, akademik dürüstlüğe aykırılık ve intihal, Yükseköğretim Kanunu’nun 54. maddesi kapsamında değerlendirilir. |
|||||||||||||||||||||
AKTS Öğrenci İş Yükü Tahmini
| AKtivite | Hafta Sayısı | Saat | Hesaplama | ||||
| Yarıyıl Başına Hafta Sayısı | Etkinliğe Hazırlık | Etkinliğin Kendisinde Harcanan | Etkinlik Gereksinimlerini Tamamlama | ||||
| Ders Saati | 14 | 0 | 2 | 28 | |||
| Laboratuvar | 13 | 0 | 2 | 26 | |||
| Proje | 1 | 16 | 2 | 18 | |||
| Küçük Sınavlar | 13 | 3 | 1 | 52 | |||
| Ara Sınavlar | 2 | 11 | 2 | 26 | |||
| Toplam İş Yükü | 150 | ||||||
| Toplam İş Yükü/25 | 6.0 | ||||||
| AKTS | 6 | ||||||