GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| İM603 | YAPAY ZEKA TEKNİKLERİNİN PROGRAMLANMASI I | Seçmeli Ders Grubu | 1 | 1 | 6,00 |
Dersin Seviyesi
Doktora
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Yapay sinir ağları tekniklerinin kodlamasını öğretmektir.
Dersi Veren Öğretim Görevlisi/Görevlileri
Doç Dr. Murat AY
Öğrenme Çıktıları
| 1 | Yapay sinir ağları ile ilgili kodlamalar yapar. |
| 2 | Modellemeyi bilir. |
| 3 | Yapay sinir ağları ilkelerini bilir. |
| 4 | Kodlamayı öğrenir. |
| 5 | Bağımlı ve bağımsız değişkenleri bilir. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
Yapay zekâ tekniklerinden, yapay sinir ağları ilkelerini kod yazılarak programlanmasını içermektedir. Ayrıca inşaat mühendisliğindeki uygulamalarını, örneklerini ve yapılan ulusal-uluslararası çalışmaların irdelenmesini içermektedir.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Giriş | ||
| 2 | Yapay sinir ağları | ||
| 3 | Yapay sinir ağları | ||
| 4 | Yapay sinir ağları | ||
| 5 | Yapay sinir ağları | ||
| 6 | Yapay sinir ağları ilkelerinin kodlanması | ||
| 7 | Yapay sinir ağları ilkelerinin kodlanması | ||
| 8 | Yapay sinir ağları ilkelerinin kodlanması | ||
| 9 | Yapay sinir ağları ilkelerinin kodlanması | ||
| 10 | Yapay sinir ağları ilkelerinin kodlanması ve örnekler | ||
| 11 | Yapay sinir ağları ilkelerinin kodlanması ve örnekler | ||
| 12 | Yapay sinir ağları ilkelerinin kodlanması ve örnekler | ||
| 13 | Yapay sinir ağları ilkelerinin kodlanması ve örnekler | ||
| 14 | Yapay sinir ağları ilkelerinin kodlanması ve örnekler | ||
| 15 | Final sınavı |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. Yapay Zekâ Uygulamaları, Prof. Dr. Çetin Elmas 2. Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles, 2017, Giuseppe Ciaburro, Balaji Venkateswaran 3. Artificial Neural Networks: An Introduction, 2005, Kevin L. Priddy and Paul E. Keller 4. Zekai Şen, Bulanık Mantık ve Modelleme 5. Fuzzy Logic with Engineering Applications, 3rd Edition, Timothy J. Ross, ISBN: 978-1-119-99437-4 December 2010, 606 6. Bulanık Mantık ve Modelleme İlkeleri, Zekai Şen 7. Fuzzy Logic and Hydrological Modeling, Zekai Sen, 2010 8. Recent Developments in Fuzzy Logic and Fuzzy Sets, Dedicated to Lotfi A. Zadeh, Editors,, Shahnaz N. Shahbazova, Michio Sugeno, Janusz Kacprzyk, 2020
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Quiz | 2 | 20 |
| Derse Katılım | 14 | 20 |
| Uygulama/Pratik | 1 | 20 |
| Makale Kritik Etme | 5 | 20 |
| Ev Ödevi | 2 | 20 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 20 |
| Rapor | 1 | 20 |
| Rapor Hazırlama | 1 | 20 |
| Rapor Sunma | 2 | 20 |
| Final Sınavı için Bireysel Çalışma | 1 | 20 |
| 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) |
|---|---|---|---|
| Final Sınavı | 1 | 1 | 1 |
| Quiz | 2 | 1 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Uygulama/Pratik | 5 | 3 | 15 |
| Rapor Hazırlama | 1 | 15 | 15 |
| Rapor Sunma | 1 | 2 | 2 |
| Makale Kritik Etme | 3 | 2 | 6 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 15 | 15 |
| Quiz için Bireysel Çalışma | 2 | 10 | 20 |
| Ev Ödevi | 2 | 10 | 20 |
| Toplam İş Yükü (saat) | 138 | ||
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 | |
| ÖÇ 1 | 5 | 3 | 4 | 5 | 3 | 3 | 5 | |||||
| ÖÇ 2 | 5 | 3 | 4 | 5 | 3 | 3 | 5 | |||||
| ÖÇ 3 | 5 | 3 | 4 | 5 | 3 | 3 | 5 | |||||
| ÖÇ 4 | 5 | 3 | 4 | 5 | 3 | 3 | 5 | |||||
| ÖÇ 5 | 5 | 3 | 4 | 5 | 3 | 3 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek