Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | OTD524 | Tarımda Yapay Zeka Uygulamaları | Seçmeli | 1 | 2 | 6 |
|
Dersin Seviyesi |
Doktora |
Dersin Amacı |
1-Veri madenciliğini tanıtmak ve kullanımını yaygınlaştırmak
2-Yapay zeka modelleri geliştirebilmek |
Dersi Veren Öğretim Görevlisi/Görevlileri |
Doç.Dr. Didem Güleryüz |
Öğrenme Çıktıları |
1 | 1. Öğrenciler Veri Madenciliği temel kavramlarını öğrenme ve uygulayabilme bilgi ve becerisi kazanacaklardır. | 2 | 2. Öğrenciler Veri önişleme-(Veri temizleme, birleştirme) yöntemlerini öğrenecektir. | 3 | 3. Öğrenciler Veri indirgeme yöntemleri öğrenecektir. | 4 | 4. Öğrenciler eğiticili ve eğiticisiz yöntemlerle sınıflama ve kümeleme yöntemlerini öğreneceklerdir | 5 | 5. Öğrenciler yapay zekanın tarım uygulamalarını öğreneceklerdir. | 6 | 6. Öğrenciler yapay zeka tabanlı temel modeller geliştirebilecektir. |
|
Öğrenim Türü |
Birinci Öğretim |
Dersin Ön Koşulu Olan Dersler |
Yok |
Ders İçin Önerilen Diğer Hususlar |
|
Dersin İçeriği |
Bu ders Yapay Zeka uygulamaları geliştirebilmek için veri madenciliği, makine öğrenmesi yöntemlerinin temellerini içermektedir. Ders üç kısımdan oluşmaktadır. Birinci kısım veri madenciliği için istatistik ve makine öğrenmesi yaklaşımının temelleri hakkındadır. İkinci kısımda Temel yapay zeka modeli geliştirme çerçevesi ele alınacaktır. Dersin son kısmında ise yapay zeka tabanlı modelleri kullanan projeler incelenerek, yeni bir model geliştirebilmek için çerçeve oluşturulacaktır. |
Haftalık Ayrıntılı Ders İçeriği |
|
1 | Giriş ve Genel Tanımlar | | | 2 | Veri Madenciliğinin Uygulama Alanları | | | 3 | Veri Madenciliğinde kullanılan hazır programların tanıtılması | | | 4 | Karar Ağaçları | | | 5 | Sınıflandırma Algoritmaları | | | 6 | Kümeleme Algoritmaları | | | 7 | Yapay sinir ağları | | | 8 | Ara sınav | | | 9 | Veri Madenciliğinden Yapay Zeka modellerine geçiş aşamaları | | | 10 | Birliktelik Kuralları | | | 11 | Tarımda Yapay zeka Uygulamaları - Proje Geliştirme | | | 12 | Tarımda Yapay zeka Uygulamaları - Proje Geliştirme | | | 13 | Tarımda Yapay zeka Uygulamaları - Proje Geliştirme | | | 14 | Tarımda Yapay zeka Uygulamaları - Proje Geliştirme | | | 15 | Tarımda Yapay zeka Uygulamaları - Proje Geliştirme | | |
|
Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
Gökhan Silahtaroğlu, Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Papatya Yayıncılık (2008)
Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005).
İş zekası ve veri madenciliği, Şadi Evren Şeker, Cinius Yayınları
Data Mining: Concepts and Techniques, Jiawei Han, Jian Pei, Micheline Kamber,
Intelligent Data Mining and Fusion Systems in Agriculture, Xanthoula Eirini Pantazi, Dimitrios Moshou, |
Planlanan Öğrenme Aktiviteleri ve Metodları |
|
Değerlendirme | |
Ara Sınav | 1 | 100 | TOPLAM | 100 | |
Final Sınavı | 1 | 100 | TOPLAM | 100 | Yarıyıl (Yıl) İçi Etkinlikleri | 30 | Yarıyıl (Yıl) Sonu Etkinlikleri | 70 | TOPLAM | 100 |
| Dersin Sunulduğu Dil | Türkçe | Staj Durumu | |
|
İş Yükü Hesaplaması |
|
Ara Sınav | 1 | 1 | 1 |
Final Sınavı | 1 | 2 | 2 |
Quiz | 2 | 1 | 2 |
Derse Katılım | 14 | 3 | 42 |
Proje Hazırlama | 2 | 15 | 30 |
Proje Sunma | 1 | 1 | 1 |
Makale Kritik Etme | 5 | 3 | 15 |
Ara Sınav İçin Bireysel Çalışma | 4 | 5 | 20 |
Final Sınavı içiin Bireysel Çalışma | 5 | 4 | 20 |
Quiz için Bireysel Çalışma | 2 | 5 | 10 |
Ev Ödevi | 5 | 5 | 25 |
|
Program ve Öğrenme Çıktıları İlişkisi |
ÖÇ1 | 4 | 4 | 3 | 3 | 5 | 5 | 5 | 3 | 4 | 4 | 4 | 4 | 3 | 4 | 4 | 4 | 5 | 4 | 5 | 3 | 4 | ÖÇ2 | 2 | 5 | 4 | 4 | 4 | 4 | 4 | 4 | 5 | 5 | 4 | 4 | 3 | 5 | 5 | 5 | 4 | 5 | 4 | 3 | 5 | ÖÇ3 | 4 | 5 | 3 | 5 | 2 | 3 | 5 | 4 | 4 | 5 | 4 | 5 | 3 | 4 | 4 | 3 | 4 | 5 | 3 | 4 | 4 | ÖÇ4 | 3 | 3 | 5 | 2 | 5 | 4 | 5 | 4 | 5 | 4 | 5 | 4 | 3 | 4 | 5 | 4 | 5 | 4 | 4 | 4 | 5 | ÖÇ5 | 4 | 5 | 4 | 3 | 5 | 4 | 5 | 5 | 5 | 5 | 4 | 5 | 4 | 5 | 5 | 5 | 5 | 5 | 5 | 4 | 5 | ÖÇ6 | 4 | 5 | 4 | 4 | 4 | 5 | 3 | 5 | 4 | 4 | 5 | 4 | 5 | 4 | 4 | 4 | 5 | 4 | 4 | 5 | 5 |
|
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |
|
|