BAHÇEŞEHİR ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
| 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 |
| MAT2008 | Optimizasyona Giriş | Bahar | 3 | 0 | 3 | 6 |
Temel Bilgiler
| Öğretim Dili: | English |
| Dersin Türü: | Must Course |
| Dersin Seviyesi: | LİSANS |
| Dersin Veriliş Şekli: | Yüz yüze |
| Dersin Koordinatörü: | Prof. Dr. SÜREYYA AKYÜZ |
| Dersin Amacı: | Bu dersin amacı, öğrencilere optimizasyonun temel kavramlarını ve yöntemlerini öğretmek, matematiksel optimizasyon modelleri,lineer programlama ve sezgisel optimizasyon gibi konulara odaklanmak, farklı optimizasyon tekniklerini keşfetmek, kısıtlarla optimizasyon, yapay zeka ve optimizasyon koularıın ele alarak optimizasyonun yapay zekadaki kullanımına ilişkin uygulamalar yapmaktır. |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler; Bu dersi başarıyla tamamlayabilen öğrenciler; 1) Kısıtsız optimizasyon yöntemlerini, birinci derece ve ikinci dereceden gerek ve yeter koşulları verilen bir optimizasyon probleminde araştırabilir. 2)Kısıtısız optimizasyon yöntemlerinden dik iniş yöntemi, trust region, newton yöntemleri gibi nümerik yöntemleri uygulayabilir ve yapay zekadaki kullanımını öğrenir. 3)Kısıtlı optimizasyona ilişkin birinci ve ikinci derece optimalite koşullarını öğrenir, Karush Kuhn Tucker koşullarını uygulayarak optimal çözüm bulabilir. 4) Doğrusal Programlama yöntemlerinden simplex yöntemini grafiksel ve Tableu yöntemleri ile çözmeyi bilir, python ile uygulamasıı yapabilir. 5) Sezgisel optimizasyon yöntemlerini uygulamayı bilir ve yapay sinir ağlarında modelleyebilir. |
Dersin İçeriği
| Dersin Öğretim yöntemleri anlatım şeklindedir. Kısıtsız optimizasyonun temelleri Newton yöntemleri Hat Arama yöntemleri Güven Bölgesi yöntemleri Quasi Newton yöntemleri Doğrusal olmayan en küçük kareler problemleri Eşlenik Gradyan yöntemleri Kısıtlı optimizasyon teorisi Doğrusal programlama teorisi, Simplex yöntemi Sezgisel Optimizasyona Giriş Tepe Tırmanma Algoritması Genetik Algoritma Benzetilmiş Tavlama Algoritması Parçacık Sürü Optimizasyonu |
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konu | Ön Hazırlık |
| 1) | Kısıtsız optimizasyonun temelleri | |
| 2) | Newton yöntemleri | |
| 3) | Hat Arama yöntemleri | |
| 4) | Güven Bölgesi yöntemleri | |
| 5) | Yarı Newton yöntemleri | |
| 6) | Doğrusal olmayan en küçük kareler problemleri | |
| 7) | VİZE | |
| 8) | Eşlenik Gradyan yöntemleri | |
| 9) | Kısıtlı optimizasyon teorisi | |
| 10) | Doğrusal programlama teorisi, Simplex yöntemi | |
| 11) | Sezgisel Optimizasyona Giriş, Tepe Tırmanma Algoritması | |
| 12) | Genetik Algoritma | |
| 13) | Benzetilmiş Tavlama Algoritması | |
| 14) | Parçacık Sürü Optimizasyonu |
Kaynaklar
| Ders Notları / Kitaplar: | 1) J. Nocedal and S.J. Wright, Numerical Optimization, Springer, 2006 2) I. Griva, S. G. Nash and A. Sofer, Linear and nonlinear programming, 2nd edition, SIAM, Philadelphia, 2009 |
| Diğer Kaynaklar: | 1) J. Nocedal and S.J. Wright, Numerical Optimization, Springer, 2006 2) I. Griva, S. G. Nash and A. Sofer, Linear and nonlinear programming, 2nd edition, SIAM, Philadelphia, 2009 |
Değerlendirme Sistemi
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 4 | % 25 |
| Ara Sınavlar | 1 | % 35 |
| Final | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
| Toplam | % 100 | |
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. | 3 |
| 3) | Karmaşık Yapay Zeka Mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular. | |
| 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. | |
| 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. | |
| 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. | 3 |
| 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. | 3 |
| 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. |