Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
CME 4418	YAPAY ZEKAYA GİRİŞ	SEÇMELİ	2	2	0	6

Dersi Veren Birim

Bilgisayar Mühendisliği

Dersin Düzeyi

Lisans

Ders Koordinatörü

YRD.DOÇENT ÖZLEM AKTAŞ

Dersi Alan Birimler

Bilgisayar Mühendisliği

Dersin Amacı

Bu dersin amacı yapay zeka alanındaki yöntemleri, uygulama dillerini ve arama paradigmalarını etkin bir şekilde öğretmek ve uygulamak; böylece öğrencilerin analitik ve kuramsal düşünce güçlerini artırabilmelerini ve etkin problem çözebilmelerini sağlamaktır.

Dersin Öğrenme Kazanımları

1	Yapay zeka yöntemlerini ve günlük hayattaki uygulamalarını öğrenebilmesi.
2	Kısıt sağlama problemleri gibi matematiksel problemlerin çözümü için gerekli arama paradigmalarını öğrenmesi ve gerektiğinde uygulayabilmesi.
3	Verilen problemin çözümü için uygun arama paradigmasını kullanabilmesi ve probleme çözüm üretebilmesi.
4	Öğrenme paradigmalarını kavrayabilmesi.
5	Modern programlama dilleri (Java, C, C++, C#, vb.) ile yapay zeka tabanlı programlama yapabilmesi.
6	Öğrenme paradigmalarını günlük hayatta uygulayabilmesi ve problemlere çözüm üretebilmesi.
7	.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Yapay Zekaya Giriş: Yapay Zekanın Tarihçesi ve Uygulamaları
2	Bilgi Gösterimi
3	Problem Çözme: Constraint Satisfaction Problems (CSP), Backtracking Search for CSP
4	Arama Stratejileri: Genişlik Öncelikli Arama (Depth First Search), Derinlik Öncelikli Arama (Breath First Search), Sezgisel Arama (Heuristic Search)
5	Hill Climbing, Best First Search, A* Method
6	Oyun Ağaçları ve Dönüşümlü Arama, Alpha-Beta İndirgeme, Minimax Arama
7	Yapay Zeka Dilleri ve Bilgi Tabanı Oluşturma
8	Doğal Dil İşleme: Biçimbilim, Anlambilim ve Edimbilim, Robotlar
9	Öğrenme Paradigmaları: Learning from Observations, Inductive Learning, Decision Trees
10	Öğrenme Paradigmaları: Learning from Examples, Learning with Hidden Variables, Instance Based Learning
11	Yapay Sinir Ağları, Zeki Etmenler
12	Uzman sistemler

Ders İçin Önerilen Kaynaklar

Ana kaynak: Artificial Intelligence A Modern Approach,Stuart Russell,Peter Norvig, Prentice Hall,0131038052,New Jersey,1995
Yardımcı kaynak: Artificial Intelligence, George Luger, Addison Wesley, 0201648660, England, 2002

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, problem çözümü, sunum, ödev, laboratuvar uygulaması.

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	VZ	Vize
2	Q	Quiz
3	ODV	Ödev
4	FN	Final
5	BNS	BNS	VZ * 0.25 + Q * 0.05 + ODV * 0.20 + FN * 0.50
6	BUT	Bütünleme Notu
7	BBN	Bütünleme Sonu Başarı Notu	VZ * 0.25 + Q * 0.05 + ODV * 0.20 + BUT * 0.50

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ara sınav %25, ödevler %20, yoklama sınavları %5, final sınavı %50 oranında dönem notunu belirler.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

ozlem@cs.deu.edu.tr, aktas.ozlem@deu.edu.tr, 02323017426

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Salı 10:00-12:00, Perşembe 10:00-12:00

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	12	2	24
Uygulama	12	2	24
Ödev Hazırlama	3	8	24
Haftalık Ders öncesi/sonrası hazırlıklar	12	1	12
Sunum Hazırlama	1	10	10
Diğer Kısa Sınavlara Hazırlık	1	6	6
Vize Sınavına Hazırlık	1	16	16
Final Sınavına Hazırlık	1	16	16
Diğer Kısa Sınav	1	2	2
Final Sınavı	1	4	4
Vize Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			140

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.3	PK.4	PK.5	PK.6	PK.7	PK.8	PK.9	PK.10
ÖK.1	5	5				5	5	3	3	2
ÖK.2	5	4	5
ÖK.3	4		5	3	5	5	2	4
ÖK.4		4	4	2	3			3
ÖK.5	5		4	2	3			3
ÖK.6		3				4
ÖK.7			2		4		5	2	3	1

DERS ADI

DERECE PROGRAMLARI