| 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 |
| CMP4501 | Yapay Zeka ve Uzman Sistemlere Giriş | Güz | 3 | 0 | 3 | 6 |
| 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 TEVFİK AYTEKİN |
| 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. |
|
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. |
| 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. |
| 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. | ||
| Ders Notları: | 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 |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | % 0 | |
| Laboratuar | % 0 | |
| Uygulama | % 0 | |
| Arazi Çalışması | % 0 | |
| Derse Özgü Staj | % 0 | |
| Küçük Sınavlar | 2 | % 10 |
| Ödev | % 0 | |
| Sunum | % 0 | |
| Projeler | 1 | % 20 |
| Seminer | % 0 | |
| Ara Sınavlar | 1 | % 30 |
| Ara Juri | % 0 | |
| Final | 1 | % 40 |
| Rapor Teslimi | % 0 | |
| Juri | % 0 | |
| Bütünleme | % 0 | |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 40 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 60 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | İş Yükü | |
| Ders Saati | 14 | 42 | |
| Laboratuvar | |||
| Uygulama | |||
| Derse Özgü Staj | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | |||
| Sunum / Seminer | |||
| Proje | 4 | 20 | |
| Ödevler | 10 | 20 | |
| Küçük Sınavlar | 2 | 8 | |
| Ara Juri | |||
| Ara Sınavlar | 5 | 15 | |
| Rapor Teslimi | |||
| Juri | |||
| Final | 5 | 20 | |
| Toplam İş Yükü | 125 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |