BAHÇEŞEHİR ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
| ENDÜSTRİYEL TASARIM | |||||
| Lisans | TYYÇ: 6. Düzey | QF-EHEA: 1. Düzey | EQF-LLL: 6. Düzey | ||
Ders Tanıtım Bilgileri
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| CMP4501 | Yapay Zeka ve Uzman Sistemlere Giriş | Bahar | 3 | 0 | 3 | 6 |
| Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
Temel Bilgiler
| Öğretim Dili: | İngilizce |
| Dersin Türü: | Non-Departmental Elective |
| Dersin Seviyesi: | LİSANS |
| Dersin Veriliş Şekli: | Yüz yüze |
| Dersin Koordinatörü: | Dr. Öğr. Üyesi TEVFİK AYTEKİN |
| Opsiyonel Program Bileşenleri: | Yok |
| Dersin Amacı: | Bu ders yapay zekanın temel konularına giriş niteliğindedir. Problem çözümü için temel arama teknikleri, bilgi temsili ve mantıksal sistemlerin temelleri, temel öğrenme algoritmaları ve uzman sistemlerin temelleri tanıtılacaktır. |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler; I- Bir problemin durum uzayı tanımını yapabilmek. II - Bir problem için kaba-kuvvet veya sezgisel algoritmaları seçebilmek ve kullanabilmek. III- Alpha-beta budaması ile minimax arama algoritmasını gerçekleştirebilmek. IV. En temel bilgi temsil sistemlerini karşılaştırıp değerlendirebilmek. V. Kuram isplatlamak için resolution tekniğinin çalışmasını açıklayabilmek. VI. Gözetimli ve gözetimsiz öğrenme teknikleri arasında farkı açıklayabilmek. VIII. Overfitting, underfitting, bias, ve variance gibi kavramları açıklayabilmek. IX. Uzman sistemlerin temellerini tanımlayabilmek ve uzman sistemleri değerlendirebilmek. |
Dersin İçeriği
| Yapay zekaya giriş, durum uzayları ve arama, sezgisel fonksiyonlar ve arama, alpha-beta budama, önermeler ve birinci dereceden yüklemler mantığı, önermeli ve birinci dereceden çıkarsama, birleştirme ve çözülme, doğrusal regresyon, lojistik regresyon, sinirsel ağlar ve geri yayılım algoritması, Bayes kuralı ve naif Bayes algoritması, kümeleme ve k-means algoritması, uzman sistemlerin temelleri, uzman sistem yazılımları. |
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konu | Ön Hazırlık |
| 1) | Yapay zekaya giriş | |
| 2) | Durum uzayları ve arama | |
| 3) | Sezgisel fonksiyonlar ve arama | |
| 4) | Oyunlarda karar verme, alpha-beta budama. | |
| 5) | Önermeler ve birinci dereceden yüklemler mantığı | |
| 6) | Önermeli ve birinci dereceden çıkarsama | |
| 7) | Birleştirme ve çözülme | |
| 8) | Doğrusal regresyon | |
| 9) | Ara sınav | |
| 10) | Lojistik regresyon | |
| 11) | Sinirsel ağlar ve geri yayılım algoritması. | |
| 12) | Bayes kuralı ve naif Bayes algoritması | |
| 13) | Kümeleme ve k-means algoritması | |
| 14) | Uzman sistemlerin temelleri | |
| 15) | Uzman sistem yazılımları. |
Kaynaklar
| Ders Notları / Kitaplar: | Russell, S., Norvig, P., Artificial Intelligence: A Modern Approach, (3rd edition), 2009. Giarratano, J.C., Riley, G.D., Expert Systems: Principles and Programming, (4th edition), 2004. |
| Diğer Kaynaklar: | Yok - None |
Değerlendirme Sistemi
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Küçük Sınavlar | 2 | % 10 |
| Projeler | 1 | % 20 |
| Ara Sınavlar | 1 | % 30 |
| Final | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 40 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 60 | |
| Toplam | % 100 | |
AKTS / İş Yükü Tablosu
| Aktiviteler | Aktivite Sayısı | İş Yükü |
| Ders Saati | 14 | 42 |
| Proje | 4 | 20 |
| Ödevler | 10 | 20 |
| Küçük Sınavlar | 2 | 8 |
| Ara Sınavlar | 5 | 15 |
| Final | 5 | 20 |
| Toplam İş Yükü | 125 | |
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 |