GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BGT-110 | YAPAY ZEKAYA GİRİŞ | Seçmeli Ders Grubu | 1 | 2 | 4,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu dersin amacı, öğrencilere yapay zekanın temel kavramlarını, ekosistemini ve günlük hayattaki uygulamalarını tanıtarak temel düzeyde yapay zeka okuryazarlığı kazandırmaktır. Ders, matematiksel ve algoritmik derinlikten ziyade; üretken yapay zeka (Generative AI) araçlarının, büyük dil modellerinin (LLM) ve istem mühendisliğinin (Prompt Engineering) kodlama altyapısı gerektirmeden nasıl etkili, güvenli ve etik bir şekilde kullanılacağını öğretmeyi hedefler. Nihai olarak öğrencileri, iş dünyasındaki "insan-makine işbirliği" (human-in-the-loop) vizyonuna ve geleceğin yapay zeka operatörlüğü rollerine hazırlamak amaçlanmaktadır.
Dersi Veren Öğretim GörevlisiGörevlileri
Dr.Öğr.Üyesi Özgür KALAFAT
Öğrenme Çıktıları
| 1 | Yapay zeka, makine öğrenmesi ve üretken yapay zeka kavramlarını tanımlayarak bu teknolojilerin tarihsel gelişimini özetler. |
| 2 | Geleneksel yazılımlar ile yapay zeka sistemleri arasındaki farkları ve Büyük Dil Modellerinin (LLM) temel çalışma mantığını açıklar. |
| 3 | Yapay zeka teknolojilerinin kullanımında veri mahremiyeti, algoritmik önyargı (bias) ve telif hakları gibi temel etik ve güvenlik prensiplerini kavrar. |
| 4 | Yapay zeka modellerinin ürettiği çıktılardaki "halüsinasyon" ve mantıksal tutarsızlık risklerini tanıyarak, bu çıktıların nasıl doğrulanacağını ifade eder. |
| 5 | Temel istem mühendisliği (prompt engineering) tekniklerini kullanarak metin, görsel ve işitsel üretken yapay zeka araçlarını çeşitli senaryolara uygun biçimde kullanır. |
| 6 | Çok modlu (multimodal) yapay zeka platformlarını ve kodsuz (no-code) araçları günlük hayattaki ve iş dünyasındaki temel problemleri çözmek için uygular. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
-
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Yapay zekanın tarihsel gelişimi ve temel kavramları; geleneksel yazılım ile yapay zeka sistemleri arasındaki farklar; makine öğrenmesi ve sinir ağlarına sezgisel bir bakış. Üretken yapay zeka (Generative AI) ve büyük dil modellerinin (LLM) çalışma felsefesi. Etkili istem mühendisliği (Prompt Engineering) teknikleri, sıfır-atışlı (zero-shot) ve düşünce zinciri (chain-of-thought) uygulamaları. Metin, görsel ve işitsel çok modlu (multimodal) yapay zeka araçlarının kullanımı. Yapay zekada açıklanabilirlik (XAI), halüsinasyon problemi, algoritmik önyargı, etik, veri mahremiyeti ve güvenlik. Kodsuz (no-code) yapay zeka asistanı tasarlama adımları; rutin ofis görevlerinin otomasyonu ve yapay zekanın iş dünyasındaki dönüştürücü rolü.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Yapay Zeka Nedir ve Hayatımıza Nasıl Girdi? Yapay zekanın temel tanımı ve kısa tarihçesi (Turing Testi'nden günümüze) Günlük hayattaki yapay zeka uygulamalarına örnekler (Önerici sistemler, asistanlar) Dar YZ (ANI) ve Genel YZ (AGI) kavramlarının ayrımı | ||
| 2 | Yapay Zeka Ekosistemi ve Temel Kavramlar Yapay zekanın alt dallarını tanıma: Makine Öğrenmesi, Derin Öğrenme ve Sinir Ağları (matematiksel detaya girmeden, sezgisel mantık). Geleneksel yazılım (kural tabanlı) ile Yapay Zeka (örüntü tabanlı) sistemleri arasındaki farkın kavranması. Model, Eğitim (Training) ve Çıkarım (Inference) kavramları. | ||
| 3 | Üretken Yapay Zekanın (Generative AI) Temelleri Üretken yapay zeka nedir? Yeni veri (metin, görsel, ses) üretme mantığı. Ayrımcı (Discriminative) modeller ile Üretken (Generative) modellerin günlük hayattan örneklerle karşılaştırılması. Popüler üretken YZ platformlarının (ChatGPT, Gemini vb.) arayüz tanıtımı ve temel düzeyde kullanımı. | ||
| 4 | Doğal Dil İşleme (NLP) ve Büyük Dil Modelleri (LLM) Makineler insan dilini nasıl anlar? Kelimelerin sayılara (vektörlere) dönüşümü felsefesi. Büyük Dil Modellerinin (LLM) çalışma mantığı: “Bir sonraki kelimeyi tahmin etme” prensibi. Model boyutları (parametre sayıları) ve bağlam penceresi (context window) kavramları. | ||
| 5 | İstem Mühendisliğine (Prompt Engineering) Giriş İstem (Prompt) nedir? Dil modelleriyle etkili iletişim kurmanın önemi. Etkili bir istemin temel bileşenleri: görev, bağlam, format ve ton. Uygulama: Sıfır-atışlı (Zero-shot) ve Az-atışlı (Few-shot) istem tekniklerinin test edilmesi. | ||
| 6 | Gelişmiş İstem Tasarımı ve Problem Çözme Rol atama (Persona) tekniği ile modellere uzmanlık kazandırma. Düşünce Zinciri (Chain-of-Thought) tekniği ile karmaşık problemlerin adım adım çözdürülmesi. | ||
| 7 | Görsel ve İşitsel Yapay Zeka Araçları Metinden Görsele (Text-to-Image) üretim yapan modellerin (Midjourney, DALL·E vb.) çalışma mantığı. Görsel üretimi için spesifik prompt yazım teknikleri (stil, ışık, kompozisyon parametreleri). Ses klonlama ve metinden sese (Text-to-Speech) araçlarının incelenmesi. | ||
| 8 | Ara Sınav | ||
| 9 | Açıklanabilir Yapay Zeka (XAI) ve Şeffaflık Yapay zekada “Kara Kutu” (Black Box) problemi nedir? Modellerin verdiği kararlara neden güvenmeliyiz? XAI’ın amacı ve gerekliliği. | Sağlık veya finans gibi kritik sektörlerde açıklanamayan bir YZ hatasının sonuçlarının senaryolarla tartışılması. | |
| 10 | Yapay Zekada Halüsinasyon ve Çıktı Doğrulama Üretken modellerde “Halüsinasyon” olgusu: Model neden yanlış veya uydurma bilgi üretir? Modellerin kısıtlılıkları: Güncel bilgiye erişim ve mantıksal tutarsızlıklar. Model çıktılarının çapraz doğrulama yöntemleriyle test edilmesi. | ||
| 11 | Yapay Zeka Etiği, Güvenlik ve Mahremiyet Algoritmik önyargı (Bias): YZ sistemleri neden ayrımcılık yapabilir? Eğitim verisinin rolü. Deepfake teknolojisi: Fırsatlar ve tehditler. Veri mahremiyeti, telif hakları ve telifli içeriklerle model eğitme etiği üzerine vaka analizleri. | ||
| 12 | Çok Modlu (Multimodal) Yapay Zeka Uygulamaları Multimodal yaklaşım nedir? Metin, görsel ve sesin aynı anda işlenmesi. Görüntü yükleyerek analiz yaptırma ve veri okutarak özet çıkarma. Karmaşık bir belge veya görselin YZ asistanları yardımıyla analiz edilmesi ve raporlanması. | ||
| 13 | Kodsuz (No-Code) Yapay Zeka Asistanı Oluşturma API mantığına kavramsal bakış: Uygulamalar YZ modelleriyle nasıl iletişim kurar? Özelleştirilmiş GPT’ler veya platformlar (örn. Poe) üzerinden kod yazmadan kişisel/kurumsal asistan tasarlama. Asistana spesifik bilgi tabanı yükleme. | ||
| 14 | İş Dünyasında Yapay Zeka ve Verimlilik Mesleklerin dönüşümü: Yapay zeka işleri ortadan mı kaldıracak yoksa dönüştürecek mi? Ofis programlarına entegre YZ araçları (sunum hazırlama, e-posta yönetimi, toplantı özetleme). | ||
| 15 | YZ Operatörlüğünün Geleceği İnsan-Makine İşbirliği (Human-in-the-loop) felsefesi. Geleceğin yetkinlikleri: Bir “AI Operator” veya “Prompt Engineer”dan beklenen beceriler. Dönem boyunca öğrenilen kavramların ve araçların genel değerlendirmesi. | ||
| 16 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Online Kaynaklar ve Platformlar:** Youtube, Coursera, edX, Udemy gibi platformlardaki 'Introduction to AI' veya 'Machine Learning Fundamentals' dersleri. Kaggle platformundaki güvenlik veri setleri ve pratik yarışmalar. Google Colaboratory (bulut tabanlı Jupyter Notebook ortamı).
Planlanan Öğrenme Aktiviteleri ve Metodları
Sınıf içi etkileşim süresini maksimum seviyede verimli kullanmak amacıyla, öğrencilerin derse ön hazırlık yaparak gelmeleri hedeflenmektedir. Özellikle yapay zeka etiği, algoritmik önyargılar, halüsinasyon problemleri ve yapay zekanın iş dünyasına etkileri gibi vizyon gerektiren konularda, belirlenen rehber ve makalelerin okunması, öğrencinin konuyu kendi hızında özümsemesini sağlar. Öğrencileri pasif dinleyici konumundan çıkarıp aktif birer katılımcı yapmak için planlanmıştır. Yapay zeka çıktılarının doğruluğu, veri mahremiyeti, telif hakları ve "kara kutu" (black box) algoritmalarının doğurabileceği riskler gibi doğrudan doğru/yanlış cevabı olmayan konularda öğrencilerin eleştirel düşünme becerilerini geliştirmeleri amaçlanmaktadır. Okuma görevlerinden elde edilen teorik bilgiler bu tartışmalarla pekiştirilir.
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 2 | 28 |
| Tartışma | 7 | 2 | 14 |
| Bireysel Çalışma | 14 | 2 | 28 |
| Ödev Problemleri için Bireysel Çalışma | 4 | 3 | 12 |
| Ara Sınav İçin Bireysel Çalışma | 3 | 3 | 9 |
| Final Sınavı içiin Bireysel Çalışma | 3 | 4 | 12 |
| Okuma | 4 | 4 | 16 |
| Toplam İş Yükü (saat) | 121 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | PÇ 17 | PÇ 18 | PÇ 19 | PÇ 20 | PÇ 21 | PÇ 22 | PÇ 23 | PÇ 24 | |
| ÖÇ 1 | 4 | 5 | ||||||||||||||||||||||
| ÖÇ 2 | 5 | |||||||||||||||||||||||
| ÖÇ 3 | 4 | |||||||||||||||||||||||
| ÖÇ 4 | 5 | |||||||||||||||||||||||
| ÖÇ 5 | 5 | 3 | ||||||||||||||||||||||
| ÖÇ 6 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek