|
|
| YZT2007 | Proje Yönetimi ve Uygulamaları | 2+0+0 | AKTS:3 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Ön Lisans | | Yazılım Şekli | Zorunlu | | Bölümü | BİLGİSAYAR TEKNOLOJİLERİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 2 saat teorik | | Öğretim Üyesi | Öğr. Gör. Didem ÇAKIR | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Öğrencilere veri odaklı karar alma süreçlerinde model performansını doğru şekilde ölçme ve yorumlama becerisi kazandırmayı amaçlar. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Yapay zeka sistemleri için başarım ölçütlerini öğrenir | 1,2,4,6 | 1, | | ÖK - 2 : | Regresyon problemleri için farklı başarım ölçütlerini öğrenir | 1,3 | 1, | | ÖK - 3 : | Sınıflandırma problemleri için farklı başarım ölçütlerini öğrenir. | 1,2,3,5 | 1, | | ÖK - 4 : | Başarım ölçütleri kullanarak yapay zeka sistemlerinin başarım düzeyini belirleyebilir | 1,3,5,7 | 1, | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Yapay zeka sistemlerinde başarım ölçütleri, Regresyon problemleri ve başarım ölçütleri, Sınıflandırma Problemleri ve başarım ölçütleri |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Yapay zeka sistemlerinde başarım ölçütleri | | | Hafta 2 | Regresyon problemleri ve başarım ölçütleri giriş | | | Hafta 3 | Regresyon problemleri başarım ölçütü: Ortalama Mutlak Hata (Mean Absolute Error (MAE)) | | | Hafta 4 | Regresyon problemleri başarım ölçütü: Ortalama Karesel Hata (Mean Squared Error (MSE)) | | | Hafta 5 | Regresyon problemleri başarım ölçütü: Ortalama Karekök Hata (Root Mean Squared Error (RMSE)) | | | Hafta 6 | Regresyon problemleri başarım ölçütü: R² (R-Kare) (R² (R-Squared)) | | | Hafta 7 | Regresyon problemleri başarım ölçütleri kıyaslama ve değerlendirme | | | Hafta 8 | Sınıflandırma Problemleri ve başarım ölçütleri giriş | | | Hafta 9 | Ara Sınav | | | Hafta 10 | Sınıflandırma problemleri başarım ölçütü: Kesinlik (Accuracy) | | | Hafta 11 | Karışıklık Matrisi (Confusion Matrix) | | | Hafta 12 | Sınıflandırma problemleri başarım ölçütü: Hassasiyet ve Geri Çağırma (Precision and Recall) | | | Hafta 13 | Sınıflandırma problemleri başarım ölçütü: F1 puanı (F1-score) | | | Hafta 14 | Sınıflandırma problemleri başarım ölçütü: Alıcı çalışma özellikleri eğrisi altındaki alan (AU-ROC, Area Under Receiver Operating Characteristics Curve) | | | Hafta 15 | Sınıflandırma problemleri başarım ölçütleri kıyaslama ve değerlendirme | | | Hafta 16 | Bu ders için Ara Sınav, 9. ve 16. haftalar arasındaki bir tarihte yapılır. Sınavın yapıldığı tarihten itibaren konular bir hafta ileri alınır | | | |
| 1 | Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media. | | | 2 | Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. Pearson. | | | |
| 1 | Tan, P.-N., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining. Pearson. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | 1 | 50 | | Dönem sonu sınavı | 16 | | 1 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 5 | 14 | 70 | | Sınıf dışı çalışma | 4 | 14 | 56 | | Arasınav için hazırlık | 1 | 14 | 14 | | Arasınav | 1 | 1 | 1 | | Dönem sonu sınavı için hazırlık | 2 | 14 | 28 | | Dönem sonu sınavı | 1 | 1 | 1 | | Toplam Çalışma Yükü | | | 170 |
|