Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
4EİD210Yapay Zekâ Uygulamaları2+0+02323.06.2026

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Ön Lisans
Bölümü / Programı Elektrik Enerjisi Üretim, İletim ve Dağıtımı
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı, öğrencilere yapay zekâ kavramlarını temel düzeyde tanıtmak, tarihsel gelişimini ve kullanım alanlarını öğretmek ve algoritmik düşünme ile problem çözme becerilerini geliştirmektir. Öğrencilerin, günümüz teknolojilerinde yapay zekanın rolünü kavramaları ve basit AI uygulamalarını anlayabilmeleri hedeflenmektedir.
Dersin İçeriği Bu derste yapay zekânın tanımı, tarihçesi, temel kavramları ve alt alanları (makine öğrenmesi, uzman sistemler, doğal dil işleme, robotik, görüntü işleme) ele alınır. Yapay zekâya dayalı karar verme sistemleri, etik sorunlar ve toplumsal etkiler tartışılır. Ayrıca, Python gibi dillerle hazırlanmış örnek uygulamalar üzerinden, temel seviyede yapay zekâ algoritmalarının nasıl çalıştığı anlatılır. Öğrenciler haftalık etkinliklerle basit kurallara dayalı öneri sistemleri veya sınıflandırma örnekleri geliştirme fırsatı bulur.
Dersin Yöntem ve Teknikleri Anlatım, problem çözümü, soru-yanıt, uygulama, proje tasarımı/yönetimi
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Prof. Dr. Yusuf ZALAOĞLU yzalaoglu@osmaniye.edu.tr
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık.
[2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. .
[3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons.
[4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
Ders Notları Öğretim elemanı ders notları

Ders Yapısı
Matematik ve Temel Bilimler %40
Mühendislik Bilimleri %30
Alan Bilgisi %30

Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 20
Ödev 1 % 20
Proje 1 % 20
Yarıyıl Sonu Sınavı 1 % 40
Toplam :
4
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 2 28
Sınıf Dışı Ç. Süresi 14 2 28
Ödevler 1 5 5
Ara Sınavlar 1 12 12
Proje 1 5 5
Yarıyıl Sonu Sınavı 1 12 12
Toplam İş Yükü   AKTS Kredisi : 3 90

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Yapay zekâ, makine öğrenmesi ve derin öğrenme arasındaki kavramsal farkları ve mimari yapıları açıklar.
2 Ham veri setlerini analiz edilebilir hale getirmek için Python kütüphaneleri ile eksik veri ve normalizasyon adımlarını uygular.
3 Mühendislik ve lojistik problemlerin çözümüne yönelik denetimli makine öğrenmesi (sınıflandırma ve regresyon) algoritmalarını analiz eder.
4 Denetimsiz öğrenme yaklaşımlarını ve veri kümeleme (K-Means vb.) algoritmalarını ampirik veriler üzerinde uygular.
5 oğal Dil İşleme (NLP) süreçlerindeki metin ön işleme, veri temizleme ve tokenizasyon aşamalarını Python ile uygular.
6 Temel bilgisayarlı görü ve dijital görüntü işleme tekniklerini, öznitelik çıkarımı yöntemleriyle birlikte analiz eder.
7 Eğitilen yapay zekâ modellerinin başarı performanslarını doğruluk (accuracy), kesinlik (precision) ve duyarlılık (recall) metrikleri ile değerlendirir.
8 Yapay zekâ tabanlı dijital dönüşüm projelerinde karşılaşılan telif, veri gizliliği, önyargı ve yapay zekâ etiği konularını değerlendirir.
9 Belirlenen bir sektörel problemi çözmeye yönelik açık kaynaklı veri setiyle uçtan uca bir yapay zekâ mini projesi hazırlar.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Yapay zekanın tanımı, tarihçesi, dijital dönüşümdeki yeri ve endüstriyel vizyonu Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
2 Veri bilimi temelleri, veri türleri ve yapay zekada verinin önemi Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
3 Veri ön işleme teknikleri: Eksik verilerin tamamlanması, kategorik veri dönüşümü Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
4 Makine öğrenmesine giriş: Denetimli (Supervised) ve denetimsiz öğrenme ayrımı Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
5 Sınıflandırma algoritmaları I: Lojistik regresyon ve k-en yakın komşu (KNN) Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
6 Sınıflandırma algoritmaları II: Karar ağaçları (Decision Trees) ve Naive Bayes Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
7 Kümeleme (Clustering) yöntemleri ve K-Means algoritmasının matematiksel yapısı Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
8 Yapay sinir ağları (YSA) mimarisi: İleri besleme, aktivasyon fonksiyonları Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
9 Derin öğrenmeye giriş, evrişimli sinir ağları (CNN) yapısı ve çalışma prensibi Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
10 Bilgisayarlı görü ve dijital görüntü işleme uygulamalarının temelleri Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
11 Doğal Dil İşleme (NLP) Temelleri I: Metin verileri ve dil işleme zorlukları Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
12 Doğal Dil İşleme (NLP) II: Metin sınıflandırma ve özellik çıkarım modelleri Öğretim elemanı ders notları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
13 Yapay zekâ etiği, algoritmalarda yanlılık (bias), adalet ve veri güvenliği esasları [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.
14 Yapay zekanın geleceği, sürdürülebilir kalkınma amaçları ve enerji sektöründeki rolü [1] Karaboğa, D. (2020). Yapay zekâ optimizasyon algoritmaları ve mühendislik uygulamaları (4. baskı). Nobel Akademik Yayıncılık. [2] Zayif, H. (Ed.). (2023). Enerjide veri analitiği ve yapay zekâ: Sektörel uygulamalar ve vaka analizleri. Seçkin Yayıncılık. [3] Momoh, J. (2012). Smart grid: Fundamentals of design and analysis. John Wiley & Sons. [4] Şeker, Ş. E. (2021). Mühendisler için yapay zekâ ve Python ile makine öğrenmesi. Cinius Yayınları.

 
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Tüm 1 1 1 3 2 4 1 1 1 2
Ö1 1 1 1 2 1 3 1 1 1 2
Ö2 1 1 1 3 3 5 1 1 1 2
Ö3 1 1 1 4 2 4 1 1 1 2
Ö4 1 1 1 4 2 4 1 1 1 2
Ö5 1 1 1 2 2 5 1 1 1 2
Ö6 1 1 1 3 2 4 1 1 1 2
Ö7 1 1 1 4 5 4 1 1 1 2
Ö8 1 1 1 1 1 2 1 3 2 5
Ö9 1 1 1 4 3 5 1 1 4 3

  Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek

  
  https://obs.osmaniye.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=291468&lang=tr