Bilişim Sistemleri Mühendisliği | |||||
Lisans | TYYÇ: 6. Düzey | QF-EHEA: 1. Düzey | EQF-LLL: 6. Düzey |
Ders Kodu: | FET404 | ||||||||
Ders İsmi: | Yapay Zeka Matematiği | ||||||||
Ders Yarıyılı: |
Bahar |
||||||||
Ders Kredileri: |
|
||||||||
Öğretim Dili: | Türkçe | ||||||||
Ders Koşulu: | |||||||||
Ders İş Deneyimini Gerektiriyor mu?: | Evet | ||||||||
Dersin Türü: | Bölüm Seçmeli | ||||||||
Dersin Seviyesi: |
|
||||||||
Dersin Veriliş Şekli: | E-Öğrenme | ||||||||
Dersin Koordinatörü: | Dr. Öğr. Üyesi SEDA KARATEKE | ||||||||
Dersi Veren(ler): |
Dr. Öğr. Üyesi TAYMAZ AKAN |
||||||||
Dersin Yardımcıları: |
Dersin Amacı: | Bu ders, temel Yapay Zeka öğrenimi problemleri bağlamında yararlılıklarına doğrudan işaret ederek matematiksel kavramlara duyulan ihtiyacı ortaya çıkartarak ve de temel Yapay Zeka kavramlarının matematiksel temellerini ön plana alarak; bilgileri tek bir yerde toplayıp, beceri boşluğunu daraltmayı hatta tam olarak kapatmayı amaçlamaktadır. |
Dersin İçeriği: | Matrisler ve Lineer Denklem Sistemleri ve çözümleri, Gradyan, yerel/küresel maksimum ve minimum, eyer noktası, dışbükey fonksiyonlar, gradyan iniş algoritmaları- toplu, mini yığın, stokastik, performans karşılaştırmaları, Klasik ve dışbükey optimizasyon, Merkez Makine Öğrenmesi Problemleri/Data analizi ve Modeller, Merkez Makine Öğrenmesi Problemleri/Lineer Regresyon, Sayısal hesaplama , Boole Cebri ve Karar Ağaçları, Algoritmalar ve İstatistikler, Yapay Zeka Case Studies. |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Hafta | Konu | Ön Hazırlık |
1) | Giriş ve Motivasyon | Ders Notları |
2) | Matematik Temeller/Lineer Cebir> Matrisler ve Lineer Denklem Sistemleri ve çözümleri | Ders Notları |
3) | Matematik Temeller/Lineer Cebir> Vektör Uzayları ve Lineer Bağımsızlık | Ders Notları |
4) | Matematik Temeller/Matris Ayrışımları>Determinantlar, Öz değer ve Öz vektörler | Ders Notları |
5) | Gradyan, yerel/küresel maksimum ve minimum, eyer noktası, dışbükey fonksiyonlar, gradyan iniş algoritmaları- toplu, mini yığın, stokastik, performans karşılaştırmaları | Ders Notları |
6) | Vektör Analizi | Ders Notları |
7) | Olasılık ve Dağılımlar | Ders Notları |
8) | Ara Sınav | Ders Notları |
9) | Klasik ve dışbükey optimizasyon | Ders Notları |
10) | Merkez Makine Öğrenmesi Problemleri/Data analizi ve Modeller | Ders Notları |
11) | Merkez Makine Öğrenmesi Problemleri/Lineer Regresyon | Ders Notları |
12) | Sayısal hesaplama | Ders Notları |
13) | Boole Cebri ve Karar Ağaçları | Ders Notları |
14) | Algoritmalar ve İstatistikler | Ders Notları |
15) | Final | Ders Notları |
Ders Notları / Kitaplar: | Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong, Mathematics for Machine Learning. Dana H. Ballard, “An Introduction to Natural Computation”, Third Edition, MIT Press, 2000. |
Diğer Kaynaklar: | 1. https://towardsdatascience.com/the-mathematics-of-machine-learning-894f046c568 2. https://ocw.mit.edu/courses/mathematics/18-657-mathematics-of-machine-learning-fall-2015/lecture-notes/MIT18_657F15_LecNote.pdf 3. https://ichi.pro/tr/ai-ve-matematik-116112807338198 4. https://towardsdatascience.com/mathematics-for-ai-all-the-essential-math-topics-you-need-ed1d9c910baf 5. S. Haykin, "Neural Networks - A Comprehensive Foundation", Second Edition,Prentice Hall, 1999. |
Ders Öğrenme Kazanımları | 1 |
4 |
2 |
3 |
5 |
---|---|---|---|---|---|
Program Kazanımları |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Toplam | % | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 0 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % | |
Toplam | % |