Bilişim Sistemleri Mühendisliği
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Genel Tanıtım Bilgileri

Ders Kodu:

FET404

Ders İsmi:

Yapay Zeka Matematiği

Ders Yarıyılı:

Güz

Ders Kredileri:

Teorik	Pratik	Laboratuvar	AKTS
2	1	0	5

Öğretim Dili:

Türkçe

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Evet

Dersin Türü:

Bölüm Seçmeli

Dersin Seviyesi:

Lisans

TYYÇ:6. Düzey

QF-EHEA:1. Düzey

EQF-LLL:6. Düzey

Dersin Veriliş Şekli:

E-Öğrenme

Dersin Koordinatörü:

Dr. Öğr. Üyesi SEDA KARATEKE

Dersi Veren(ler):

Dr. Öğr. Üyesi TAYMAZ AKAN

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

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.

Öğrenme Çıktıları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Öğrenme Çıktıları

1 - Bilgi
Kuramsal - Olgusal
1) Doğrusal cebir kullanarak makine öğrenmesinde farklı makine öğrenme algoritmalarının parametrelerini ve yapısını açıklar. Doğrusal cebirin sinir ağlarının nasıl bir araya getirildiğini ve nasıl çalıştığını anlamak için bir zorunluluk olduğunu kavrar.
2) Makine öğrenmesi algoritmalarının hesaplama verimliliğini ve ölçeklenebilirliğini anlar
2 - Beceriler
Bilişsel - Uygulamalı
1) Yapay Zeka (Makine öğrenmesi) öğrenme bölümünü tamamlamak için Vektör Analizi kullanır.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
Öğrenme Yetkinliği
1) Olasılık teorileri ve uygulamalarını, derin öğrenme veya yapay zeka algoritmalarını tasarlarken temeldeki veriler hakkında varsayımlarda bulunmak için kullanabilir.
Alana Özgü Yetkinlik
1) Matematiksel, hesaplamalı, fiziksel ve ekonomik bilimlerin farklı alanlarında edinilen daha ileri teorik ve yapısal bilgileri, bazı modern Yapay Zeka araçlarının anlaşılmasına ve tasarımına ve bu araçların doğal ve temel alanlara uygulanmasına yönelik bir temel olarak kullanır.
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği

Ders Akış Planı

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

Kaynaklar

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 - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları	1	4	2	3	5
Program Kazanımları

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

Dersin Program Kazanımlarına Etkisi

Katkı Payı

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Toplam		%
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 0
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		%
Toplam		%