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 301 | |||||
| Ders Adı İngilizce | Optimization in AI | |||||
| Ders Adı Türkçe | YZ için Optimizasyon | |||||
| 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 | Calculus (Analiz) ve Olasılık konularında ön bilgi | |||||
| Kayıt Kısıtlamaları | Sadece Lisans Öğrencileri | |||||
| Genel Eğitim Hedefi | Yapay Zekâda optimizasyon teknikleri hakkında kapsamlı bir anlayışa sahip olmak; karmaşık mühendislik problemleri için hesaplama karmaşıklığını analiz edebilme ve kesin (exact), sezgisel (heuristic) ve gradyan tabanlı çözümleri uygulayabilme yetkinliği kazanmak. | |||||
| Ders Açıklaması | Bu ders, yapay zekada problem sınıflandırma ve optimizasyon yöntemlerini inceler. Öğrenciler, Dal ve Sınır (Branch and Bound) ve Dinamik Programlama gibi kesin algoritmaların yanı sıra A* gibi sezgisel aramaları çalışacaklardır. Ders, sürekli optimizasyona geçiş yaparak, Makine Öğrenmesi uygulamalarıyla Gradyan İnişi (Gradient Descent), Benzetilmiş Tavlama (Simulated Annealing) ve Tabu Arama gibi meta-sezgisel yöntemleri kapsar. Teorik analiz ve pratik uygulama yoluyla öğrenciler, kombinatoryal ve sürekli alanlar için uygun stratejiyi seçmeyi öğreneceklerdir. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) Hesaplama problemlerini uygulanabilirliği belirlemek amacıyla P, NP, NP-complete ve NP-hard kategorilerine ayırır; 2) Ayrık durum uzaylarında (discrete state-spaces) DFS, BFS ve Branch and Bound gibi kesin arama yöntemlerini uygular; 3) Gerçek dünya mühendislik problemlerini matematiksel optimizasyon problemleri veya Kısıt Tatmin Problemleri (CSP) olarak modeller; 4) Sezgisel algoritmaları (A*) uygulamak ve çözüm doğruluğu ile hesaplama maliyeti arasındaki ödünleşimi (trade-off) analiz eder; 5) Makine öğrenmesi modeli eğitimi için sürekli optimizasyon tekniklerini, özellikle Gradyan İniş (Gradient Descent) yöntemini kullanır; 6) Hiperparametre ayarlaması gibi türevlenemeyen problemlerde meta-sezgisel stratejileri (Simulated Annealing, Tabu Search) uygular. |
| 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 | YASSINE DRIAS , February 2026 |
| Ders Koordinatörü | TUBA AYHAN |
| Dönem | Güz |
| Dersi Veren(ler) |
Ders İçeriği
| Hafta | Konu |
| 1) | Yapay Zekâda Optimizasyona Giriş: Optimizasyon ortamının tanımlanması (amaç fonksiyonları, kısıtlar ve arama uzayları). Ayrık ve sürekli optimizasyon arasındaki fark; |
| 2) | Karmaşıklık Teorisi ve Uygulanabilirlik: Problemlerin P, NP, NP-complete ve NP-hard olarak sınıflandırılması. İndirgemeler (reductions) ve polinom zamanda doğrulanabilirlik; |
| 3) | Bilgisiz Arama Stratejileri: Alan bilgisi olmadan durum uzaylarının araştırılması. Depth First Search (DFS), Breadth First Search (BFS) ve Uniform-Cost Search; |
| 4) | Combinatorial Optimization and Problem Modeling: Formulating real-world problems (e.g., Scheduling, TSP, Knapsack) as mathematical optimization models. Understanding constraints and integer variables. |
| 5) | Kesin Yöntemler I: Branch and Bound, küresel optimizasyon teknikleri. Arama uzayının budanması (pruning), sınırlandırma fonksiyonları ve sistematik ağaç dolaşımıü, |
| 6) | Kesin Yöntemler II: Dinamik Programlama, optimal alt yapı (optimal substructure) ve örtüşen alt problemler. Hafızalama (memoization) yoluyla optimizasyon problemlerinin çözümü (örn. dizi hizalama / sequence alignment); |
| 7) | Sezgisel Arama I: Best-First stratejileri, sezgisel fonksiyonlara giriş, Greedy Best-First Search ve sezgisellerin doğruluğunun değerlendirilmesi; |
| 8) | Sezgisel Arama II: A* algoritmasının ayrıntılı incelenmesi, kabul edilebilirlik (admissibility), tutarlılık (consistency) ve graf aramasında optimalite kanıtları; |
| 9) | Ayrık Yerel Arama Optimizasyonu: Ayrık arama uzaylarında yinelemeli iyileştirme algoritmaları. Hill Climbing ve yerel optimumlarla başa çıkma; |
| 10) | Sezgisel Arama II: A* algoritmasının ayrıntılı incelenmesi, kabul edilebilirlik (admissibility), tutarlılık (consistency) ve graf aramasında optimalite kanıtları; |
| 11) | Kısıt Tatmin Problemleri (CSP): Optimizasyonun kısıt tatmini olarak modellenmesi. Geri izleme (backtracking) araması, ileri kontrol (forward checking) ve değişken sıralama sezgiselleri; |
| 12) | Meta-Sezgisel Algoritmalara Giriş: Küresel optimizasyon algoritmalarına genel bakış. Simulated Annealing ve Tabu Search’e giriş; |
| 13) | Makine Öğrenmesinde Optimizasyon: Model eğitimi (ağırlıkların öğrenilmesi) için Gradyan İniş kullanımı ile hiperparametre ayarlama ve özellik seçimi için Simulated Annealing / Tabu Search kullanımının karşılaştırılması; |
| 14) | Ders Tekrarı ve İleri Konular: Kesin ve yaklaşık yöntemler arasındaki ödünleşimler. Otomatik karar verme sistemlerinde etik ve algoritmik önyargı. |
| 15) | Final Sınavı / Proje / Sunum Dönemi |
| 16) | Final Sınavı / Proje / Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | Zorunlu Artificial Intelligence: A Modern Approach (4th Edition) by Stuart Russell & Peter Norvig Önerilen: Combinatorial Optimization: Algorithms and Complexity" by Papadimitriou and Steiglitzy | |||||||||||||||
| Öğretme Teknikleri | Aktif öğrenme tekniği olarak “flipped classroom” (ters yüz sınıf) yöntemiyle yürütülen dersler, algoritmik uygulama ödevleri, vaka çalışmaları. | |||||||||||||||
| Ödev ve Projeler | Ödevler | |||||||||||||||
| Laboratuvar Çalışması | ||||||||||||||||
| Bilgisayar Kullanımı | Zorunlu | |||||||||||||||
| Diğer Aktiviteler | ||||||||||||||||
| Değerlendirme Yöntemleri |
|
|||||||||||||||
| Ders Yönetimi |
driasy@mef.edu.tr 5th Floor Rules for attendance: Minimum 70% attendance is required for lectures. Missing a midterm: You are expected to be present without exception and to plan any travel around these dates accordingly. Medical emergencies are of course excluded if accompanied by a doctor’s note. A note indicating that you were seen at the health center on the day of the exam is not a sufficient documentation of medically excused absence from the exam. The note must say that you were medically unable to take the exam. Provided that proper documents of excuse are presented, a make-up exam will be given for each missed midterm. If you fail to take the exam on the assigned day and do not have a valid excuse, you will be given zero (0) on the exam. Employment interviews, employer events, weddings, vacations, etc. are not excused absences. Inappropriate conduct, academic dishonesty and plagiarism are subject to Law on Higher Education Article 54. |
|||||||||||||||
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 | ||||||