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 203 | |||||
| Ders Adı İngilizce | Machine Learning | |||||
| Ders Adı Türkçe | Yapay Öğrenme | |||||
| 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 | Programlama, olasılık ve istatistik alanlarında ön bilgi | |||||
| Kayıt Kısıtlamaları | Sadece Lisans Öğrencileri | |||||
| Genel Eğitim Hedefi | Makine öğrenmesi teorisi, algoritmaları ve uygulamaları hakkında kapsamlı bir anlayışa sahip olmak; öngörücü modeller geliştirmeyi öğrenmek, veriden öğrenmenin matematiksel temellerini kavramak ve gerçek dünya mühendislik problemleri için model performansını değerlendirmek. | |||||
| Ders Açıklaması | Bu ders, makine öğrenmesinin temel kavramlarını ve algoritmalarını kapsamaktadır. Konular arasında Gözetimli Öğrenme (Doğrusal/Lojistik Regresyon, Karar Ağaçları, Topluluk Yöntemleri), Gözetimsiz Öğrenme (Kümeleme, Boyut İndirgeme), Model Değerlendirme ve Sinir Ağlarına giriş yer almaktadır. Ders, hem algoritmaların matematiksel türetilmesini hem de modern Python kütüphaneleri kullanılarak pratik uygulamalarını vurgular. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) Makine öğrenmesi problemlerini denetimli (supervised), denetimsiz (unsupervised) veya pekiştirmeli öğrenme (reinforcement learning) görevleri olarak tanımlar ve formüle eder; 2) Temel makine öğrenmesi algoritmalarının arkasındaki matematiksel temelleri (optimizasyon, olasılık, lineer cebir) açıklar; 3) Python kullanarak Doğrusal Regresyon (Linear Regression), Lojistik Regresyon (Logistic Regression) ve Karar Ağaçları (Decision Trees) gibi makine öğrenmesi modellerini uygular ve eğitir; 4) Etiketsiz veri kümelerini analiz etmek için boyut indirgeme ve kümeleme tekniklerini uygular; 5) Uygun metrikler (Precision, Recall, F1-Score, ROC) ve tanı teknikleri (Bias-Variance dengesi) kullanarak model performansını değerlendirir; 6) Bir makine öğrenmesi proje sürecini tasarlar ve yürütür: veri ön işleme, özellik mühendisliği, model seçimi ve doğrulama. |
| 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 | , February 2026 |
| Ders Koordinatörü | TUBA AYHAN |
| Dönem | Güz |
| Dersi Veren(ler) |
Ders İçeriği
| Hafta | Konu |
| 1) | Makine Öğrenmesine Giriş: Tanımlar, Denetimli ve Denetimsiz Öğrenme, Tarihçe ve Uygulamalar |
| 2) | Tek Değişkenli Doğrusal Regresyon: Maliyet (Cost) Fonksiyonu, Gradyan İnişi (Gradient Descent) ile Optimizasyon |
| 3) | Çok Değişkenli Doğrusal Regresyon: Vektörleştirme, Özellik Ölçekleme, Polinom Regresyon |
| 4) | Lojistik Regresyon ve Sınıflandırma: Karar Sınırları, Sigmoid Fonksiyonu, Çapraz Entropi (Cross-Entropy) Kayıp Fonksiyonu |
| 5) | Düzenlileştirme (Regularization): Aşırı Öğrenme (Overfitting) ve Yetersiz Öğrenme (Underfitting), Bias-Variance Dengesi, L1/L2 Düzenlileştirme |
| 6) | Karar Ağaçları: Bilgi Kazancı (Information Gain), Safsızlık Ölçütü Olarak Entropi, Karar Ağaçları ile Sınıflandırma ve Regresyon |
| 7) | Topluluk (Ensemble) Öğrenme Yöntemleri: Random Forest, Gradient Boosting (XGBoost) |
| 8) | Model Değerlendirme ve Tanılama: Precision/Recall, ROC Eğrileri, Öğrenme Eğrileri, Çapraz Doğrulama Stratejileri |
| 9) | Denetimsiz Öğrenme: K-Means Kümeleme, Hiyerarşik Kümeleme |
| 10) | Boyut İndirgeme: Temel Bileşenler Analizi (PCA), t-SNE Temelleri |
| 11) | Yapay Sinir Ağlarına Giriş: Perceptronlar, Çok Katmanlı Algılayıcılar (MLP), Aktivasyon Fonksiyonları |
| 12) | Derin Öğrenmeye Giriş: Geri Yayılım (Backpropagation), Temel CNN/RNN Kavramları |
| 13) | Hiperparametre Optimizasyonu: Grid Search, Random Search, Evrimsel Algoritmalar ile Optimizasyon |
| 14) | Makine Öğrenmesi Mühendisliğinde En İyi Uygulamalar: Pipeline’lar, Eksik Veriyle Baş Etme, Yapay Zekâda Etik ve Önyargı |
| 15) | Final Sınavı / Proje / Sunum Dönemi |
| 16) | Final Sınavı / Proje / Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | Zorunlu: Machine Learning with zyLabs by Aimee Schwab-McCoy Tavsiye Edilen: Machine Learning Yearning by Andrew Ng. | |||||||||||||||
| Öğretme Teknikleri | “Flipped classroom” yaklaşımı gibi aktif öğrenme teknikleri kullanılarak teori ve matematiksel türevleri kapsayan dersler. Scikit-Learn, NumPy ve Pandas gibi kütüphaneler kullanılarak Python uygulamalarına odaklanan laboratuvar oturumları. | |||||||||||||||
| Ödev ve Projeler | Ödevler | |||||||||||||||
| Laboratuvar Çalışması | ||||||||||||||||
| Bilgisayar Kullanımı | Zorunlu | |||||||||||||||
| Diğer Aktiviteler | ||||||||||||||||
| Değerlendirme Yöntemleri |
|
|||||||||||||||
| Ders Yönetimi |
driasy@mef.edu.tr 5th Floor Devam Kuralları: Derslere en az %70 devam zorunludur. Ara sınava katılmama: Herhangi bir istisna olmaksızın ara sınavlarda hazır bulunmanız beklenir ve seyahat planlarınızı bu tarihlere göre yapmanız gerekir. Doktor raporuyla belgelenmiş sağlıkla ilgili acil durumlar bu durumun dışındadır. Ancak sınav günü sağlık merkezinde muayene edildiğinizi belirten bir belge, sınava giremeyecek durumda olduğunuzu gösteren yeterli bir mazeret belgesi değildir. Raporda, sınava tıbben giremeyecek durumda olduğunuz açıkça belirtilmelidir. Geçerli mazeret belgelerinin sunulması halinde, kaçırılan her ara sınav için telafi sınavı yapılacaktır. Atanan tarihte sınava girmez ve geçerli bir mazeret sunmazsanız, sınav notunuz sıfır (0) olacaktır. İş görüşmeleri, işveren etkinlikleri, düğünler, tatiller vb. mazeret olarak kabul edilmez. Uygunsuz davranış, akademik dürüstlük ihlalleri ve intihal, Yükseköğretim Kanunu’nun 54. maddesine tabidir. |
|||||||||||||||
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 | 1 | 3 | 1 | 70 | ||
| Proje | 4 | 1 | 14 | 2 | 68 | ||
| Ara Sınavlar | 1 | 10 | 2 | 12 | |||
| Toplam İş Yükü | 150 | ||||||
| Toplam İş Yükü/25 | 6.0 | ||||||
| AKTS | 6 | ||||||