GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BVA710 | BÜYÜK DİL MODELLERİ İLE VERİ ANALİZİ | Seçmeli Ders Grubu | 2 | 4 | 4,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu dersin amacı, öğrencilerin büyük dil modelleri (LLM’ler) kullanarak veri analizi yapabilme becerilerini geliştirmektir. Öğrenciler, ChatGPT, Claude, Gemini gibi modellerin mimarilerini, doğal dil işleme (NLP) temellerini ve veri odaklı uygulamalarda kullanım biçimlerini öğreneceklerdir. Ayrıca ders boyunca, metin madenciliği, duygu analizi, özetleme, veri önişleme ve model çıktılarının yorumlanması gibi uygulamalar gerçekleştirilecektir.
Dersi Veren Öğretim Görevlisi/Görevlileri
Öğrenme Çıktıları
| 1 | Büyük dil modellerinin (LLM) temel prensiplerini açıklar. |
| 2 | NLP’nin veri analizindeki rolünü kavrar. |
| 3 | Büyük dil modelleri ile veri işleme ve yorumlama becerisi kazanır. |
| 4 | Metin madenciliği, duygu analizi ve sınıflandırma tekniklerini uygular. |
| 5 | Python ve API tabanlı ortamlarla LLM entegrasyonu yapabilir. |
| 6 | Etik, güvenlik ve veri gizliliği konularında farkındalık geliştirir. |
| 7 | Gerçek veri kümeleri üzerinde büyük dil modelleriyle analiz gerçekleştirir. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
Bu ders, doğal dil işleme ve büyük dil modellerinin veri analizi süreçlerindeki uygulamalarına odaklanır. Öğrenciler, yapay zekâ tabanlı modellerin metin, görsel ve karma veri türlerinde nasıl analiz yapabileceğini öğreneceklerdir. Ders; model temelleri, veri ön işleme, metin sınıflandırma, duygu analizi, özetleme, sorgu tabanlı veri çıkarımı, LLM API kullanımı ve etik boyutları kapsamaktadır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Uygulama | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|---|
| 1 | Büyük Dil Modellerine Giriş | LLM kavramı, tarihçesi, temel mimariler | Ders anlatımı, sınıf içi tartışma | Yapay zekâ ve makine öğrenmesi kavramlarını gözden geçirme |
| 2 | NLP ve Veri Analizi | NLP’nin veri analizi içindeki rolü, temel kavramlar | Ders anlatımı, uygulamalı örnek | Temel Python NLP kütüphanelerini (NLTK, spaCy) inceleme |
| 3 | Transformer Mimarisi | Encoder–decoder yapısı, attention mekanizması | Ders anlatımı, şema analizi | “Attention is All You Need” makalesi okunmalı |
| 4 | Prompt Mühendisliği | Etkili istem oluşturma teknikleri | Uygulama, sınıf içi deneme, örnek inceleme | ChatGPT ve benzeri sistemlerle denemeler yapma |
| 5 | Veri Ön İşleme | Metin temizleme, stopword, lemmatization | Laboratuvar çalışması, uygulama | Veri setleri indirilmeli ve hazırlanmalı |
| 6 | Metin Madenciliği | Anahtar kelime çıkarımı, kelime sıklığı, n-gram analizleri | Uygulamalı analiz, Python kodlaması | Pandas, Scikit-learn kütüphanelerini tekrar etme |
| 7 | Duygu Analizi | Pozitif-negatif-nötr duygu analizi | Uygulama, laboratuvar, proje | Örnek duygu analizi veri setlerini inceleme |
| 8 | Duygu Analizi / Sentiment Analysis | Pozitif-negatif-nötr duygu analizi | Uygulama, laboratuvar, proje | Örnek duygu analizi veri setlerini inceleme |
| 9 | LLM API Kullanımı | OpenAI, Anthropic, HuggingFace API’leri | Uygulama, laboratuvar | API anahtarı oluşturma ve kullanım belgelerini inceleme |
| 10 | Metin Sınıflandırma | LLM’lerle metin sınıflandırma teknikleri | Ders anlatımı, örnek proje | Sınıflandırma modelleri hakkında okuma yapma |
| 11 | Özetleme ve Bilgi Çıkarımı | Metin özetleme, bilgi çıkarımı, raporlama | Ders anlatımı, uygulama | Örnek haber veri setlerini analiz etme |
| 12 | Çok Modlu Modeller | Metin + görsel verilerin analizi | Uygulama, proje geliştirme | OpenAI GPT-4V veya Gemini belgelerini inceleme |
| 13 | Etik ve Güvenlik | Yapay zekâda etik, veri gizliliği ve önyargı | Tartışma, vaka analizi | AI etik kılavuzlarını okuma |
| 14 | Uygulamalı Proje | Gerçek veri seti üzerinde proje | Grup çalışması, sunum | Proje verisini hazırlama |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 50 |
| Proje Sunma | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 50 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 50 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 2 | 14 | 28 |
| Derse Katılım (Uygulama) | 1 | 14 | 14 |
| Proje Hazırlama | 1 | 14 | 14 |
| Proje Sunma | 1 | 1 | 1 |
| Proje Tasarımı /Yönetimi | 1 | 14 | 14 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 14 | 14 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 14 | 14 |
| Toplam İş Yükü (saat) | 101 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | |
| ÖÇ 1 | 5 | 5 | |||||||||||||
| ÖÇ 2 | 5 | 5 | |||||||||||||
| ÖÇ 3 | 5 | 5 | |||||||||||||
| ÖÇ 4 | 5 | 5 | |||||||||||||
| ÖÇ 5 | 5 | 5 | 5 | 5 | |||||||||||
| ÖÇ 6 | 5 | ||||||||||||||
| ÖÇ 7 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek