GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| ISL769 | SOSYAL BİLİMLERDE YAPAY ZEKA UYGULAMALARI | Seçmeli Ders Grubu | 3 | 6 | 5,00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, öğrencilere yapay zekânın temel ilkelerini ve çalışma mantığını tanıtmak, aynı zamanda Python programlama diliyle veri analizi ve yapay zekâ modellerini geliştirme becerisi kazandırmaktır. Öğrenciler, makine öğrenmesi, derin öğrenme ve doğal dil işleme gibi güncel yapay zekâ tekniklerini sosyal bilimler bağlamında uygulamalı olarak öğrenerek, bu teknolojileri toplumsal araştırmalarda ve işletme süreçlerinde nasıl kullanabileceklerini keşfedeceklerdir.
Dersi Veren Öğretim Görevlisi/Görevlileri
Dr. Öğr. Üyesi Yunus Emre AKDOĞAN
Öğrenme Çıktıları
| 1 | Yapay zekânın temel kavramlarını, tarihçesini ve sosyal bilimler ile sosyal bilimlerdeki uygulama alanlarını tanımlar. |
| 2 | Veri türlerini, veri kaynaklarını ve büyük veri kavramını açıklar. |
| 3 | Makine öğrenmesi algoritmalarını (kümeleme, regresyon, sınıflandırma) uygun veri setleri üzerinde kullanır. |
| 4 | Derin öğrenme algoritmalarını bilir ve örnek modeller geliştirir. |
| 5 | Doğal dil işleme yaklaşımlarını açıklar ve örnek modeller geliştirir. |
| 6 | Üretken yapay zekâ araçlarının işletme uygulamalarını değerlendirir. |
| 7 | Yapay zekâ sistemlerinin etik, sosyal ve hukuki boyutlarını tartışır. |
| 8 | Sosyal bilimler ve iktisadi-idari bilimlerdeki problemlere yönelik yapay zekâ temelli çözüm önerileri geliştirir. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Bu ders, sosyal bilimlerde yapay zekâ (YZ) alanına giriş niteliğinde olup, temel kavramlardan başlayarak veri türleri, Python programlama becerileri, makine öğrenmesi (ML), derin öğrenme, doğal dil işleme (NLP) ve üretken yapay zekâ uygulamalarını kapsamlı biçimde ele alır. Öğrenciler, sosyal bilimler bağlamında YZ çözümlerini analiz etme, etik değerlendirme yapma ve gerçek dünya problemlerine teknoloji temelli yaklaşımlar geliştirme becerisi kazanır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Sosyal Bilimlerde Yapay Zekâya Giriş | Anlatım | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 2 | Sosyal Bilimlerde Veriden Büyük Veriye: Veri Türleri ve Kaynakları | Anlatım | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 3 | Python Temelleri: Giriş ve Veri Yapıları | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 4 | Python Temelleri: Kontrol Yapıları ve Fonksiyonlar | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 5 | Python Temelleri: API Kullanımı, Web Scraping ve Veri Depolama için Veritabanları | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 6 | Makine Öğrenmesine Giriş | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 7 | Makine Öğrenmesinde Denetimli Öğrenme: Regresyon | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 8 | Makine Öğrenmesinde Denetimli Öğrenme: Sınıflandırma | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 9 | Makine Öğrenmesinde Denetimsiz Öğrenme: Kümeleme | Anlatım ve problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 10 | Derin Öğrenme Algoritmaları | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 11 | Doğal Dil İşleme ve Metin Madenciliği | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 12 | Sosyal Bilimlerde Üretken Yapay Zekâ Uygulamaları | Anlatım ve Problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 13 | Yapay Zekâ Etiği | Anlatım | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
| 14 | Yapay zekâ çözümlerini sosyal bilimlere özgü problem alanlarına uygulama | Anlatım ve problem Çözme | Kaynak Kitaplar ve Öğretim Elemanı Ders Notları |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Nils J. Nilsson, Yapay Zekâ-Geçmişi ve Geleceği, Boğaziçi Üniversitesi Yayınevi, 2018. Nielsen, Michael, Neural Networks and Deep Learning, Determination Press, 2015. VanderPlas, Jake, Python Data Science Handbook, O'Reilly Media, 2016.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 50 |
| Quiz | 1 | 10 |
| Ev Ödevi | 2 | 40 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| 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 |
| Quiz | 2 | 1 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Bireysel Çalışma | 12 | 2 | 24 |
| Ödev Problemleri için Bireysel Çalışma | 2 | 3 | 6 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 12 | 12 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 15 | 15 |
| Quiz için Bireysel Çalışma | 2 | 5 | 10 |
| Ev Ödevi | 2 | 1 | 2 |
| Toplam İş Yükü (saat) | 115 | ||
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 | |
| ÖÇ 1 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 | ||||||
| ÖÇ 2 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 | ||||||
| ÖÇ 3 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 | ||||||
| ÖÇ 4 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 | ||||||
| ÖÇ 5 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 | ||||||
| ÖÇ 6 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 | ||||||
| ÖÇ 7 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 | 5 | |||||
| ÖÇ 8 | 5 | 2 | 2 | 5 | 4 | 1 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek