VBL5008 - Yapay Zekaya Giriş

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ VE ANALİTİĞİ - YL

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
Yapay Zekaya Giriş	VBL5008	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz Yüze)
Amaç	Bu dersin amacı, öğrencilere yapay zekâya dair temel kavramları, yöntemleri ve algoritmaları tanıtmak; problem çözme, bilgi temsili, mantıksal çıkarım, arama algoritmaları, belirsizlikle başa çıkma ve makine öğrenmesi gibi temel alanlarda bilgi ve beceri kazandırmaktır. Öğrenciler, teorik bilgilerle birlikte temel uygulamaları da gerçekleştirerek AI sistemlerinin temel yapı taşlarını anlayacaklardır.
Ders İçeriği	Bu ders, yapay zekânın tarihçesi, temel kavramları ve gelişim aşamalarıyla başlar. Devamında akıllı ajanlar ve karar verme süreçleri incelenir. Durum uzayı, problem çözme ve çeşitli arama algoritmaları (BFS, DFS, A*) öğretilir. Mantıksal çıkarım ve bilgi temsili konularıyla yapay zekâ sistemlerinin düşünme mekanizmalarına geçilir. Belirsizlik altında çıkarım yapma, Bayes teoremi ve Naive Bayes sınıflayıcılar ele alınır. Karar ağaçları, takviyeli öğrenme ve Markov karar süreçleri gibi temel makine öğrenmesi yöntemlerine giriş yapılır. Son haftalarda yapay sinir ağlarına ve derin öğrenmeye giriş sağlanır. Ders boyunca her konu, gerçek dünya uygulamaları ve güncel teknolojilerle ilişkilendirilerek verilir. Değerlendirme, ödevler, ara sınav ve final sınavı ile gerçekleştirilir.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Yapay Zekâya Giriş: Tanım, Tarihçe, Temel Kavramlar • Yapay zekâ türleri (zayıf/güçlü), Turing Testi, uygulama alanları
2	Akıllı Ajanlar ve Ortamlar • Ajan türleri, rasyonellik kavramı, çevrelerle etkileşim
3	Problem Çözme ve Durum Uzayı Arama • Arama problemleri, durum uzayı modelleme, problem tanımı
4	Bilinçsiz Arama Algoritmaları • Breadth-First Search (BFS), Depth-First Search (DFS), Uniform-Cost Search
5	Bilinçli (Heuristic) Arama Algoritmaları • A*, Greedy Best-First Search, değerlendirme fonksiyonları
6	Markov Karar Süreçleri-I • MDP tanımı, ödül yapıları, temel stratejiler
7	Markov Karar Süreçleri-II • Markov zincirleri, değer fonksiyonu, politika,Geçiş Fonkisyonu, Ödül yapıları
8	Pekiştirmeli Öğrenme • Bellman Eşitliği • Q-learning • Q table
9	Makine Öğrenmesine Giriş • Regresyon, sınıflandırma, kümeleme temel yaklaşımlar
10	Denetimli Öğrenme -I • Regresyon yöntemleri
11	Denetimli Öğrenme -I • Sınıflandırma yöntemleri
12	Topluluk Öğrenmesi • Rastgele Orman, XGM, Catboost vb topluluk öğrenmeleri yöntemleri
13	Denetimsiz Öğrenme • Denetimsiz öğrenme yöntemleri
14	Genel uygulamalar

Program Çıktıları
1	Veri bilimi ve analitiğinin temel bileşenlerine hâkim olma; istatistiksel analiz, veri madenciliği ve makine öğrenmesine ilişkin yöntemleri uygulamalı olarak kullanabilme
2	Yapılandırılmış ve yapılandırılmamış veri tiplerini analiz etme becerisine sahip olma; büyük veri kümeleri üzerinden anlamlı çıkarımlar yaparak analitik yöntemleri etkili biçimde kullanabilme
3	Veri analizi ve modelleme süreçlerinde Python, R, SQL gibi programlama dillerinden yararlanabilme; veri işleme ve otomasyon adımlarını etkin biçimde yönetebilme
4	Veri görselleştirme ve sonuç raporlama tekniklerini kullanarak analiz bulgularını açık, etkili ve karar verme süreçlerine katkı sunacak biçimde ifade edebilme
5	Karmaşık veri odaklı problemleri analiz edebilme, uygun çözüm yolları geliştirebilme ve bilimsel araştırma yöntemleri aracılığıyla yaratıcı, veri temelli kararlar alabilme
6	Veri bilimi ve analitiği kapsamında karşılaşılan problemleri analiz edebilme, uygun veri analizi tekniklerini seçerek çözüm yolları geliştirebilme; istatistiksel, algoritmik ve yapay zekâ temelli yöntemleri eleştirel düşünme yeteneğiyle değerlendirebilme
7	Veri bilimi ve analitiği uygulamalarında Python, R, SQL gibi programlama dillerini etkin biçimde kullanabilme; veri madenciliği, makine öğrenmesi, büyük veri işleme, veri görselleştirme ve modelleme araçlarıyla pratik çözümler geliştirebilme, gerçek veri setleri üzerinde uygulamalar gerçekleştirebilme
8	Veri bilimi ve analitiği ile ilgili bireysel veya ekip çalışmalarında sorumluluk üstlenebilme, karmaşık veri projelerini bağımsız olarak planlayıp yürütebilme; karşılaştığı sorunlara analitik ve yaratıcı çözümler geliştirerek karar alma süreçlerinde etkin rol oynayabilme
9	Veri bilimi ve analitiği alanındaki güncel gelişmeleri, teknolojileri ve yöntemleri izleyerek yaşam boyu öğrenme bilinciyle kendini sürekli geliştirme yetkinliğine sahip olma; yeni bilgi ve becerileri hızla edinip uygulamaya aktarabilme
10	Veri bilimi ve analitiği alanındaki çalışmalarını yazılı, sözlü ve görsel yollarla açık ve etkili bir biçimde ifade edebilme; çok disiplinli takımlarda etkin biçimde çalışabilme, iletişim kurabilme ve iş birliğine dayalı çözümler geliştirebilme
11	Veri bilimi ve analitiği alanına özgü kavramlara, yöntemlere, algoritmalara ve araçlara hâkim olma; etik ilkelere uygun biçimde veri toplama, işleme, analiz etme ve yorumlama süreçlerini yürütebilme, veri gizliliği ve güvenliği konularında sorumluluk bilinciyle hareket edebilme

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	PÇ 1	PÇ 2	PÇ 3	PÇ 4	PÇ 5	PÇ 6	PÇ 7	PÇ 8	PÇ 9	PÇ 10	PÇ 11
Yapay zekâ teknolojilerinin temel kavramlarını, tarihsel gelişimini ve uygulama alanlarını tanıma; bu teknolojilerin mühendislik problemlerinde nasıl kullanıldığını analiz etme becerisi.	-	-	-	-	-	-	-	-	-	-	-
Arama algoritmaları, bilgi temsili, çıkarım ve belirsizlik yönetimi gibi yapay zekânın temel teknik bileşenlerini kavrayarak uygun problem çözme yaklaşımlarını seçme ve uygulama becerisi.	-	-	-	-	-	-	-	-	-	-	-
Denetimli/denetimsiz öğrenme, karar ağaçları, Naive Bayes, sinir ağları gibi temel makine öğrenmesi yöntemlerini kuramsal olarak açıklama ve uygulama ortamında kullanma yetkinliği	-	-	-	-	-	-	-	-	-	-	-
Belirsizlik altında karar verme, Bayes teoremi, Naive Bayes ve karar ağaçları gibi yöntemlerle sınıflandırma problemlerine çözüm geliştirme yetkinliği.	-	-	-	-	-	-	-	-	-	-	-
Takviyeli öğrenme ve Markov Karar Süreçleri (MDP) gibi yapay zekâ yaklaşımlarının temel yapılarını tanıma ve bu yaklaşımları uygun örneklerle uygulayabilme becerisi.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451234