Responsive image
DERS PROGRAMI FORMU
COURSE SYLLABUS FORM
Son Güncelleme (Last Update)
29.01.2025
Dersin Adı: Matematik Mühendisliğinde Yapay Zeka Course Name: Artificial Intelligence in Mathematical Engineering
Kod
(Code) 		Yarıyıl
(Semester)		 Kredi
(Local Credits)		 AKTS Kredi
(ECTS Credits)		 Ders Uygulaması, Saat/Hafta
(Course Implementation, Hours/Week)
Ders
(Theoretical) 		Uygulama
(Tutorial)		 Laboratuvar
(Laboratory)
MYZ 309/E 6, 7, 8 3 6 3 0 0
Bölüm / Program
(Department / Program)		 Matematik / Matematik Mühendisliği
(Mathematics / Mathematical Engineering)
Dersin Türü
(Course Type)		 Seçmeli
(Elective) 		Dersin Dili
(Course Language) 		İngilizce
(English)
Dersin Ön Koşulları
(Course Prerequisites)		 MAT244-E min DD
Dersin Mesleki Bileşene Katkısı, %
(Course Category by Content, %)		 Temel Bilim ve Matematik
(Basic Sciences and Math)		 Temel Mühendislik
(Engineering Science)		 Mühendislik / Mimarlık Tasarım
(Engineering / Architecture Design)		 Genel Eğitim
(General Education)
20 30 50 -
Dersin Tanımı
(Course Description)		 Veri analizinde iyi alışkanlıklar. İstatistik, veri bilimi, makine öğrenmesi ve yapay zeka: benzerlikler ve farklılıklar. Denetimli ve denetimsiz öğrenme algoritmalarının arasındaki farklılıklar. Doğrusal regresyon, düzenleme yöntemleri (Lasso ve Ridge), sınıflandırma teknikleri (lojistik regresyon, destek vektör makineleri, ağaç tabanlı yöntemler), model değerlendirme stratejileri (çapraz doğrulama ve performans metrikleri). Boyut indirgeme ve temel bileşen analizi. Kümeleme algoritmaları. Yapar sinir ağları. Yapay zeka uygulamaları.
Best practices in data analysis. Statistics, data science, machine learning, and artificial intelligence: similarities and differences. Differences between supervised and unsupervised learning algorithms. Linear regression, regularization methods (Lasso and Ridge), classification techniques (logistic regression, support vector machines, tree-based methods), model evaluation strategies (cross-validation and performance metrics). Dimensionality reduction and principal component analysis. Clustering algorithms. Artificial neural networks. Applications of artificial intelligence.
Dersin Amacı
(Course Objectives)
  1. Veri analizinde çıkarım ve tahmin yapmak için yaygın olarak kullanılan istatistiksel öğrenme yöntemlerin temel alt yapısını vermek
  2. Hem denetimli öğrenme (regresyon ve sınıflandırma) hem de denetimsiz öğrenme (kümeleme) tekniklerini öğretmek
  3. Bu öğrenme yöntemlerin gerçek dünya veri analizi problemlerine Python kullanarak pratik uygulamasını göstermek
  4. Öğrencilere temel veri analizi becerileri kazandırmak, eleştirel düşünme ve problem çözme yeteneklerini geliştirmek, ayrıca analitik rapor yazma becerilerini geliştirmek
  1. Provide a foundational understanding of commonly used statistical learning methods for inference and prediction in data analysis
  2. Cover both supervised learning (regression and classification) and unsupervised learning (clustering) techniques
  3. Facilitate the practical application of these learning methods to real-world data analysis problems using Python
  4. Equip students with essential data analysis skills while enhancing their critical thinking and problem-solving abilities, and develop their analytical report writing skills
Dersin Öğrenme Çıktıları
(Course Learning Outcomes)		 Bu dersi tamamlayan öğrenciler aşağıdaki becerileri elde eder:
  1. Veri analizindeki temel yapay zeka sorunlarına dair temel bir anlayış geliştirir
  2. Yapay zeka problemlerini çözmek için temel istatistiksel ve makine öğrenmesi araçlarını kullanma konusunda pratik beceriler kazanır
  3. Ders boyunca geliştirdikleri makine öğrenmesi ve istatistiksel modeller hakkında analitik raporlar yazabilir
Students completing this course will be able to:
  1. Develop a foundational understanding of key artificial intelligence challenges in data analysis
  2. Acquire practical skills in utilizing fundamental statistical and machine learning tools for solving artificial intelligence problems
  3. Write clear and concise analytical reports on the machine learning and statistical models they create during the course
Ders Planı
Hafta Konular Dersin Öğrenme Çıktıları
1Veri bilimi, istatistik, makine öğrenmesi ve yapay zeka arasındaki farklarI
2Veri biliminde iyi alışkanlıklarI, II, III
3Temel istatistik kavramlarıII
4Hızlandırılmış Python dersiII
5Güdümlü ve güdümsüz öğrenme, Çapraz doğrulama yöntemleriI, II, III
6Sınıflandırma ve öbekleme algoritmaları: k-en yakın komşu ve k-ortalamalarI, II, III
7Lojistik regresyon ve Destek vektör makinesiI, II, III
8Karar ağaçları ve rastgele ormanlarI, II, III
9Toplu modeller: bire karşı bir ve bire karşı hepsiI, II, III
10Sürekli modeller, Regresyon modelleriI, II, III
11Sıradan en küçük kareler, destek vektör makinesi ve karar ağacı regresyon modelleriI, II, III
12Düzenlileştirilmiş modeller; Ridge, lasso, elastik net regresyon modelleriI, II, III
13Yapay sinir ağları ve yapay zeka uygulamalarıI, II, III
14Örneklerle yapay zeka uygulamalarıI, II, III
Course Plan
Week Topics Course Learning Outcomes
1Differences between data science, statistics, machine learning and artificial intelligenceI
2Best practices in data scienceI, II, III
3Basic statistical conceptsII
4A crash course in PythonII
5Supervised and unsupervised learning, Cross-validation methodsI, II, III
6Classification and clustering algorithms: k-nearest neigbors and k-meansI, II, III
7Logistic regression and Support vector machineI, II, III
8Decision trees and random forestsI, II, III
9Ensemble models: one-vs-one and one-vs-allI, II, III
10Continuous models, Regression modelsI, II, III
11Ordinary least squares, support vector machine and decision tree regression modelsI, II, III
12Regularized models; Ridge, lasso, elastic net regression modelsI, II, III
13Neural networks and artificial intelligence applicationsI, II, III
14Artificial intelligence applicationsI, II, III



Dersin Mühendislik Öğrenci Çıktılarıyla İlişkisi

Programın Mezuna Kazandıracağı Bilgi ve Beceriler (Programa Ait Çıktılar) Katkı Seviyesi
1 2 3
1 Mühendislik, fen ve matematik ilkelerini uygulayarak karmaşık mühendislik problemlerini belirleme, formüle etme ve çözme becerisi. X
2 Küresel, kültürel, sosyal, çevresel ve ekonomik etmenlerle birlikte özel gereksinimleri sağlık, güvenlik ve refahı göz önüne alarak çözüm üreten mühendislik tasarımı uygulama becerisi. X
3 Farklı dinleyici gruplarıyla etkili iletişim kurabilme becerisi. X
4 Mühendislik görevlerinde etik ve profesyonel sorumlulukların farkına varma ve mühendislik çözümlerinin küresel, ekonomik, çevresel ve toplumsal bağlamdaki etkilerini göz önünde bulundurarak bilinçli kararlar verme becerisi. X
5 Üyeleri birlikte liderlik sağlayan, işbirlikçi ve kapsayıcı bir ortam yaratan, hedefler belirleyen, görevleri planlayan ve hedefleri karşılayan bir ekipte etkili bir şekilde çalışma yeteneği becerisi. X
6 Özgün deney geliştirme, yürütme, verileri analiz etme ve yorumlama ve sonuç çıkarmak için mühendislik yargısını kullanma becerisi. X
7 Uygun öğrenme stratejileri kullanarak ihtiyaç duyulduğunda yeni bilgi edinme ve uygulama becerisi. X
Ölçek: 1: Az, 2: Kısmi, 3: Tam

Relationship of the Course to Engineering Student Outcomes

Program Student Outcomes Level of Contribution
1 2 3
1 An ability to identify, formulate, and solve complex engineering problems by applying principles of engineering, science, and mathematics. X
2 An ability to apply engineering design to produce solutions that meet specified needs with consideration of public health, safety, and welfare, as well as global, cultural, social, environmental, and economic factors. X
3 An ability to communicate effectively with a range of audiences. X
4 An ability to recognize ethical and professional responsibilities in engineering situations and make informed judgments, which must consider the impact of engineering solutions in global, economic, environmental, and societal contexts. X
5 An ability to function effectively on a team whose members together provide leadership, create a collaborative and inclusive environment, establish goals, plan tasks, and meet objectives. X
6 An ability to develop and conduct appropriate experimentation, analyze and interpret data, and use engineering judgment to draw conclusions. X
7 An ability to acquire and apply new knowledge as needed, using appropriate learning strategies. X
Scale: 1: Little, 2: Partial, 3: Full

Tarih (Date)
14.05.2024
Bölüm Onayı (Departmental Approval)
Matematik Bölümü
(Department of Mathematics)




Ders Kaynakları ve Başarı Değerlendirme Sistemi (Course Materials and Assessment Criteria)

Ders Kitabı
(Textbook) 		Hastie, T., Tibshirani, R., Friedman, J.H., and Friedman, J.H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York: Springer.
Diğer Kaynaklar
(Other References) 		James, G., Witten, D., Hastie, T., and Tibshirani, R. (2021). An Introduction to Statistical Learning: With Applications in R. New York: Springer.
Müller, A.C., and Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly Media, Inc.
Deisenroth, M.P., Faisal, A.A., and Ong, C. S. (2020). Mathematics for Machine Learning. Cambridge University Press.
Ödevler ve Projeler
(Homework & Projects)		 -
-
Laboratuvar Uygulamaları
(Laboratory Work)		 -
-
Bilgisayar Kullanımı
(Computer Usage)		 Öğrencilerden kendi bilgisayarlarına Python, Jupyter ve Git yazılımlarını yüklemeleri istenecektir. Bu yazılımların tamamı açık kaynak olup ücretsizdir.
Students will be required to install Python, Jupyter, and Git on their personal computers. All of these software tools are open source and free to use.
Diğer Uygulamalar
(Other Activities)		 -
-
Başarı Değerlendirme Sistemi
(Assessment Criteria) 		Faaliyetler
(Activities)		 Adet
(Quantity)		 Genel Nota Katkı, %
(Effects on Grading, %)
Yıl İçi Sınavları
(Midterm Exams)		 1 10
Kısa Sınavlar
(Quizzes)		 - -
Ödevler
(Homework)		 5 50
Projeler
(Projects)		 - -
Dönem Ödevi/Projesi
(Term Paper/Project)		 - -
Laboratuvar Uygulaması
(Laboratory Work)		 - -
Diğer Uygulamalar
(Other Activities)		 - -
Final Sınavı
(Final Exam)		 1 40
VF almamak için gereken
(To avoid VF) 		En az 4 ödev tamamlamış olmak ve (Ödevler*0.1 + Ara Sınav*0.1) toplamından en az 21 almış olmak.