YAPAY ZEKA MÜHENDİSLİĞİ
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Tanıtım Bilgileri

Ders Kodu	Ders Adı	Yarıyıl	Teorik	Pratik	Kredi	AKTS
AIN3001	Yapay Öğrenme	Güz	3	0	3	7

Temel Bilgiler

Öğretim Dili:	İngilizce
Dersin Türü:	Must Course
Dersin Seviyesi:	LİSANS
Dersin Veriliş Şekli:	Yüz yüze
Dersin Koordinatörü:	Dr. Öğr. Üyesi FATİH KAHRAMAN
Dersin Amacı:	Bu ders, Makine Öğrenmesi (ML) konusuna giriş niteliğinde bir lisans dersidir. Ders kapsamında regresyon, sınıflandırma, özellik çıkarımı, boyut indirgeme, kümeleme, destek vektör makineleri, rastgele orman, sinir ağları, derin öğrenme, topluluk yöntemleri ve yapay zeka/makine öğrenmesi için en iyi uygulamalar gibi konulara kısaca değinilecektir. Bu dersin amacı, öğrencilere yapay zeka ve makine öğrenmesinin farklı yönlerini tanıtmayı sağlamaktır. Yapay zeka, makinelerin insan benzeri seviyelerde algılama, anlama, hareket etme ve öğrenme yeteneklerini kazanmasını sağlamak için birlikte çalışan birçok farklı teknolojiden oluşan bir sistemdir. Veri bilimi ile gerçek dünya verilerini birleştirerek makinelerin ve bilgisayarların insan zihninin karar verme ve problem çözme yeteneklerini taklit etmesini mümkün kılar. Bu ders, ayrıca öğrencilere yapay zeka ve makine öğrenmesinin uygulamalardaki pratik örneklerini göstermek ve onları daha fazla araştırmaya teşvik etmek amacıyla tasarlanmıştır. Ders kapsamında verilecek ödevler, öğrencilere yapay zeka tabanlı sistemlere, makine öğrenmesi algoritmalarına, yapay zeka/veri bilimi geliştirici ve araştırmacı ekosistemlerine yönelik pratik bir giriş sunmayı amaçlamaktadır. Ayrıca, yapay zeka ve makine öğrenmesi sistemlerinin günümüzdeki durumu (“State-of-the-Art”) ve geleceği hakkında bilgi edinmelerini sağlayacaktır. Dersin Ana Hedefleri: - Yapay zeka tabanlı sistemlerin temel kavramlarını öğrenmek. - Çeşitli öğrenme algoritmalarını anlamak. - Verilerden öğrenme modelleri oluşturmanın süreçlerini kavramak. - Veriden oluşturulan modelleri değerlendirme yöntemlerini öğrenmek. - Algoritmaları gerçek bir probleme uygulamak, öğrenilen modelleri optimize etmek ve elde edilen modellerin beklenen doğruluk seviyelerini raporlamak.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
Bu dersi başarıyla tamamlayabilen öğrenciler:
- Makine öğrenmesi (ML) ve yapay zeka (AI) alanındaki temel kavramları ve ilkeleri anlar.
- Farklı makine öğrenmesi algoritmalarını tanır ve hangi problemlere uygun olduklarını bilir.
- Regresyon, sınıflandırma, kümeleme, boyut indirgeme ve özellik çıkarımı gibi temel ML tekniklerini öğrenir.
- Destek vektör makineleri, rastgele orman, sinir ağları ve derin öğrenme gibi yöntemlerin çalışma prensiplerini kavrar.
- Makine öğrenmesi modellerini veri kümeleri üzerinde uygular, modellerin başarımını değerlendirir ve optimize eder.
- AI/ML sistemlerinin gerçek dünyadaki uygulamalarını analiz eder ve bu teknolojilerin kullanım alanlarını anlar.
- Veri bilimi, yapay zeka ve makine öğrenmesi alanlarında araştırma yapma ve sonuçları yorumlama becerisi kazanır.

Dersin İçeriği

Bu derste öğrenciler makine öğrenimi kavramını ve bir yapay zeka sisteminin nasıl tasarlanacağını öğreneceklerdir. Dersin Öğretim yöntemleri; anlatım, grup çalışması, okuma, proje hazırlama ve proje hazırlama şeklindedir.

Bu derste, AI/ML'nin bazı temel unsurlarını yakalayan bir dizi teori, algoritma ve pratik uygulamalı uygulamalar/projeler üzerinde çalışacağız. Kursun ana modülleri / konuları aşağıda verilmiştir (bunlarla sınırlı olmamak üzere);
- Yapay Zeka/ML Sistemlerine Giriş
- Veri Bilimine Giriş / Veri İşleme
- Makine Öğrenimine Giriş
- Sınıflandırma/Regresyon
- Eğitim Modelleri ve Öğrenme
- Denetimsiz Öğrenme ve Kümeleme
- Topluluk Öğrenmesi ve Rastgele Ormanlar
- Özellik Çıkarma
- Özellik Uzayı ve Boyut Azaltma
- Sinir Ağları
- Derin Sinir Ağlarına Giriş
- Model Değerlendirme ve Model Seçimi
- Makine Öğrenimi Çerçeveleri ve Kütüphaneleri
- ML Donanımı (Uç/Sunucu/Bulut)
- Makine Öğrenimi Uygulamaları

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Introduction and lesson preparation	-
2)	What is artificial intelligence, its history and milestones, the introduction of artificial intelligence.	-
3)	What is AI/ML definitions, difference between data/information/knowledge. AI in the real world, types of AI/example applications.	-
4)	Fast Machine Learning Tutorial: Regression, Classification, Feature Extraction.
5)	What is Classification and Regression? What is Supervised Learning?
6)	AI/ML Project: how to start an artificial intelligence project. AI frameworks/libraries and specialized hardware for AI.
7)	What are Support Vector Machines (SVM)?
8)	Midterm Exam	- First 5 chapters of the reference book - Presentation materials - Homeworks
9)	Dimensionality Reduction: What is the "curse of dimensionality", "feature space", "high-dimensional space" and "problems for high dimension”.
10)	Ensemble Learning. Random Forest. How to win Kaggle like challenge? Is it possible to build a strong classifier from weak classifiers.
11)	Unsupervised Learning Techniques
12)	Introduction to Neural Networks, MLP Training Deep Neural Nets
13)	- Learning Linear Models - Training/Validation/Test of ANN - Overfitting/Generalization Problem
14)	Training/Inference Deep Neural Network using Keras,TensorFlow.

Kaynaklar

Ders Notları / Kitaplar:

The course resources are uploaded to the Itslearning system. Lecture notes will be available for student review.

Main Reference Book:
Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 1st Edition (We will closely follow the material in the textbook for ML related modules).

The course will involve extensive computer-based work in addition to the readings and research. The time required for out-of-class work to be on average 6 hours per week. Python knowledge will be required for course project/homework but there is no prerequisite for this course.

Diğer Kaynaklar:

Ders kaynakları Itslearning sistemine yüklenmiştir ve ders notları öğrencilerin tekrarı için paylaşılacaktır.

Ana Kaynak (Referans Kitabımız):
Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 1st Edition (Makine öğrenmesi ile ilgili modüllerde ders kitabındaki materyalleri yakından takip edeceğiz).

Bu ders, okumalar ve araştırmalara ek olarak yoğun bilgisayar tabanlı çalışmaları da içerecektir. Ders dışı çalışmalar için ortalama haftada 6 saatlik bir zaman ayrılması beklenmektedir. Ders projesi ve ödevler için Python bilgisi gereklidir, ancak bu ders için ön koşul bulunmamaktadır.

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Küçük Sınavlar	1	% 10
Ödev	4	% 10
Projeler	1	% 10
Ara Sınavlar	1	% 30
Final	1	% 40
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 50
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 50
Toplam		% 100

AKTS / İş Yükü Tablosu

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ders Saati	14	3	42
Sınıf Dışı Ders Çalışması	14	3	42
Proje	1	1	1
Ödevler	4	2	8
Ara Sınavlar	1	2	2
Final	1	2	2
Toplam İş Yükü			97

Program ve Öğrenme Kazanımları İlişkisi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

	Dersin Program Kazanımlarına Etkisi	Katkı Payı
1)	Matematik, Fen Bilimleri ve Yapay Zeka Mühendisliği disiplinine özgü konularda yeterli bilgi birikimi; bu alandaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilir.	5
2)	Karmaşık Yapay Zeka sistemleri, platformları, süreçleri, cihazları veya ürünleri gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar ve bu amaçla modern tasarım yöntemlerini uygular.	5
3)	Karmaşık Yapay Zeka Mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular.	3
4)	Yapay Zeka Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirir, seçer ve kullanır; bilişim teknolojilerini etkin bir şekilde kullanır.	4
5)	Karmaşık Yapay Zeka Mühendisliği problemlerinin veya araştırma konularının incelenmesi için sayısal veya fiziksel deney tasarlar ve yapar, veri toplar, sonuçları analiz eder ve yorumlar.	5
6)	İngilizce ve Türkçe (eğer Türk vatandaşı ise) sözlü ve yazılı etkin iletişim kurma becerisi; alanındaki yenilikleri takip edebilecek düzeyde İngilizce dil bilgisi (Avrupa Dil Portföyü B1 genel düzeyi) kazanır; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi kazanır.	5
7)	Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerilerine sahip olur.
8)	Etik ilkelerine uygun davranır, mesleki ve etik sorumluluk bilinci sahibidir; Yapay Zeka Mühendisliği uygulamalarında kullanılan standartlar hakkında bilgilidir.
9)	Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi edinir.
10)	Yapay Zeka Mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi sahibidir; Yapay Zeka Mühendisliği çözümlerinin hukuksal sonuçlarının farkındadır.
11)	Yapay Zeka Mühendisliğini ilgilendiren problemlerde bireysel ve ilgili çok disiplinli takımlarda etkin biçimde çalışır.