1. LİSANS
  2. MÜHENDİSLİK FAKÜLTESİ
  3. ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ
  4. 255 ENDÜSTRİ MÜHENDİSLİĞİ
Ders Bilgileri Ders Öğrenme Kazanımları Dersin Program Yeterlilikerine Katkısı AKTS / İş Yükü Tablosu Ders Şubeleri
Yazdır

DERS BİLGİLERİ
Ders KodDers AdT+U SaatYarıyılAKTS
MTH 114YAPAY ZEKA İLE ÖNERİ SİSTEMLERİ3 + 07. Yarıyıl5

DERS TANIMI
Ders Düzeyi Lisans
Ders Türü Seçmeli
Dersin Amacı Bu dersin amacı, öğrencilere yapay zeka ve öneri sistemleri alanında kullanılan yöntemleri ve algoritmaları öğretmek ve bu bilgileri pratikte kullanma becerisi kazandırmaktır. Öğrenciler, makine öğrenmesinin temellerinden başlayarak, doğrusal regresyon, sınıflandırma, nöral ağlar, içerik tabanlı ve işbirliğine dayalı öneri sistemleri gibi konuları öğrenecekler. Ayrıca, veri ön işleme teknikleri, derin öğrenme ile uçtan uca öneri sistemleri geliştirme yeteneği ve MLOps kavramları da ele alınacaktır. Dersin sonunda öğrenciler, projeler vasıtasıyla karşılaştıkları sorunları tartışacak ve mentorluk alarak projelerini tamamlayacaklardır.
Ders İçeriği Bu ders, yapay zeka ve öneri sistemleri konularına kapsamlı bir giriş sunmaktadır. Dersin başlangıcında, temel makine öğrenmesi kavramlarına odaklanarak doğrusal regresyon, sınıflandırma problemleri ve gradyan azalma gibi konular ele alınacaktır. Veri bölme işlemleri, özniteliklerin seçimi ve düzenlileştirmesi gibi pratik konular da bu bölümde yer alacaktır. Nöral ağlar kısmında, aktivasyon fonksiyonları ve çok katmanlı perceptronlar gibi temel yapay sinir ağı yapıları incelenecektir. Dersin devamında, öneri sistemlerine odaklanılacaktır. İlk olarak, öneri sistemlerinin taksonomisi, benzerlik ölçütleri ve başarı metrikleri üzerinde durularak içerik tabanlı öneri sistemleri mimarisi detaylı şekilde ele alınacaktır. İşbirliğine dayalı öneri sistemleri ve kullanıcı-öğe tabanlı en yakın komşu önerileri gibi alternatif yaklaşımlar da incelenecektir. Hibrit öneri sistemleri, farklı yaklaşımların birleştirilmesiyle ilgili önemli bir bölümü oluşturacaktır. Veri ön işleme teknikleri bölümünde, veri temizliği, model beslemeye hazırlık, veri mühendisliği gibi pratik konular ele alınacaktır. Ayrıca, derin öğrenme ile uçtan uca öneri sistemlerinin tasarımı ve uygulaması üzerine derinlemesine bir inceleme yapılacaktır. MLOps kavramı ve mimarisi, öneri sistemlerine nasıl entegre edilebileceği üzerine detaylı bilgiler sunulacaktır. Dersin son bölümlerinde, öneri sistemlerinin performans ölçütleri, temel sorunlar (soğuk başlangıç, seyreklik gibi) ve derin öğrenme ile öneri sistemlerinin özel uygulama alanları üzerinde durulacaktır. Ayrıca, öğrenciler projeler aracılığıyla öğrendiklerini pratiğe dökme fırsatı bulacak ve bu projeleri mentorlük altında tamamlayacaklardır. Raporlama ve projelerin sunumu da dersin bir parçasını oluşturacaktır.
Ders Ön Koşul Dersin ön koşulu yok.
Ders Yan Koşul Dersin yan koşulu yok.
Öğretim Sistemi Yüz Yüze

DERS ÖĞRENME KAZANIMLARI
1Yapay zeka ve öneri sistemlerinde kullanılan metodlar ve algoritmaları öğrenecek ve kullanabilecektir.
2Karşılaşılan problemlere uygun yapay zeka metodları ile çözüm üretme becerisi kazanacaktır.
3Veri ön işleme tekniklerini uygulayabilecektir.
4Derin öğrenme ile uçtan uca öneri sistemi geliştirebilecektir.

DERS ÖĞRENME KAZANIMININ PROGRAM YETERLİLİKLERİNE KATKISI
NoPY 01PY 02PY 03PY 04PY 05PY 06PY 07PY 08PY 09PY 10PY 11PY 12PY 13
ÖK 001             
ÖK 002             
ÖK 003             
ÖK 004             
Ara Toplam             
Katkı0000000000000

AKTS / İŞ YÜKÜ TABLOSU
EtkinlikSayısıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Süresi(14 hafta/teorik+uygulama)14342
Ödevler4624
Arasınavlar(hazırlık süresi dahil)11010
Yarıyıl Sonu Sınavı(hazırlık süresi dahil)11414
Sunum / Seminer (hazırlık süresi dahil)11414
Rapor / Proje (hazırlık süresi dahil)12626
Toplam İş Yükü

Dersin AKTS Kredisi





130

5
DERS ŞUBELERİ
 Dönem seçiniz :   


Seçili dönemde ders açılmamıştır.


Yazdır

T+U : Teorik + Pratik
PY: Program Yeterlilikleri
ÖK: Ders Öğrenme Kazanımları