| ENDÜSTRİ 4.0 (İNGİLİZCE, TEZSİZ) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| CET4112 | Eğitimde Yapay Zekâ Uygulamaları | Güz | 2 | 0 | 2 | 4 |
| Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
| Öğretim Dili: | En |
| Dersin Türü: | Departmental Elective |
| Dersin Seviyesi: | LİSANSÜSTÜ |
| Dersin Veriliş Şekli: | Yüz yüze |
| Dersin Koordinatörü: | Dr. Öğr. Üyesi YAVUZ SAMUR |
| Dersin Amacı: | Yapay zekanın temel kavramları bilme, yapay zeka uygulamaları, yapay zeka bileşenleri ve türleri, eğitimde yapay zeka uygulamaları, büyük veri kavramı, öğrenme analitiklerinin yapısı ve uygulamaları, uyarlanabilir öğrenme ortamları tasarımı, uyarlanabilir ölçme tasarımı |
|
Bu dersi başarıyla tamamlayabilen öğrenciler; Zeka ile yapay zeka arasında ilişki kurar Yapay zekanın bileşenlerini tanımlar Yapay zeka için veri kaynaklarını tanımlar Uzman sistemlere dayalı bir sistem tasarlar Yapay zeka algoritmaları geliştirir Makine öğrenmesi için gerekli yöntemleri uygular Eğitimde büyük veri kavramını tanımlar Öğrenme analitikleri tasarımı yapar |
| Zekâ ve özellikleri; yapay zekânın tarihçesi, güncel durumu ve uygulama alanları; uzman sistemler; uzman sistemlerin kullanım alanları, bileşenleri, özellikleri, tasarımı; uzman sistemlerin eğitimde kullanımı; zeki öğrenme sistemleri; eğitimde büyük veri; öğrenme analitikleri; eğitsel ajan; uyarlanabilir öğrenme ve uyarlanabilir ölçme; mantıksal programlamada program geliştirme. |
| Hafta | Konu | Ön Hazırlık | |
| 1) | Zeka ve yapay zeka, temel kavramlar | ||
| 2) | Yapay zekanın tarihçesi | ||
| 3) | Yapay zekanın bileşenleri ve türleri | ||
| 4) | Uzman sistemler | ||
| 5) | Makine öğrenmesi | ||
| 6) | Yapay zeka algoritmaları (sınıflama) | ||
| 7) | Yapay zeka algoritmaları (kestirim) | ||
| 8) | Ara Sınav | ||
| 9) | Yapay zeka algoritmaları (betimleme) | ||
| 10) | Öneri ve karar-destek sistemleri | ||
| 11) | Büyük veri | ||
| 12) | Öğrenme Analitikleri | ||
| 13) | Eğitsel Ajan uygulamaları | ||
| 14) | Uyarlanabilir öğrenme sistemleri | ||
| Ders Notları: | Ders Kitapları: ElAtia, S., & Ipperciel, D. (Eds.). (2016). Data mining and learning analytics: applications in educational research. John Wiley & Sons. Forbus, K. D., & Feltovich, P. J. (2001). Smart machines in education: the coming revolution in educational technology. MIT Press. Looi, C. K., McCalla, G., & Bredeweg, B. (Eds.). (2005). Artificial intelligence in education: supporting learning through intelligent and socially informed technology (Vol. 125). IOS Press. Montebello, M. (2018). AI Injected e-Learning. Springer. |
| Diğer Kaynaklar: | YOK |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | 14 | % 5 |
| Laboratuar | % 0 | |
| Uygulama | % 0 | |
| Arazi Çalışması | % 0 | |
| Derse Özgü Staj | % 0 | |
| Küçük Sınavlar | % 0 | |
| Ödev | 4 | % 10 |
| Sunum | % 0 | |
| Projeler | 2 | % 15 |
| Seminer | % 0 | |
| Ara Sınavlar | 1 | % 20 |
| Ara Juri | % 0 | |
| Final | 1 | % 50 |
| Rapor Teslimi | % 0 | |
| Juri | % 0 | |
| Bütünleme | % 0 | |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 35 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 65 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 2 | 28 |
| Laboratuvar | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Derse Özgü Staj | 0 | 0 | 0 |
| Arazi Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışması | 0 | 0 | 0 |
| Sunum / Seminer | 0 | 0 | 0 |
| Proje | 2 | 15 | 30 |
| Ödevler | 4 | 2 | 8 |
| Küçük Sınavlar | 0 | 0 | 0 |
| Ara Juri | 0 | 0 | 0 |
| Ara Sınavlar | 1 | 10 | 10 |
| Rapor Teslimi | 0 | 0 | 0 |
| Juri | 0 | 0 | 0 |
| Final | 1 | 25 | 25 |
| Toplam İş Yükü | 101 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |