Yapay Zeka ve Makine Öğrenmesi 11. Sınıf Yıllık Plan

Yapay Zeka ve Makine Öğrenmesi 11. Sınıf Yıllık Plan — Kaynaklar ve İçerik

• Bilişim Teknolojileri 11. Sınıf Çerçeve Öğretim Programı (ÇÖP)
• Yapay Zeka ve Makine Öğrenmesi Ders Bilgi Formu (DBF)
• Ders İçeriği

  Bilişim Teknolojileri - Yazılım Geliştirme (Mesleki ve Teknik Anadolu Lisesi) alanında Yapay Zeka ve Makine Öğrenmesi dersi 11. sınıf 2025-2026 eğitim öğretim yılı yıllık planı. Haftalık 3 ders saati.

  Üniteler ve Konular

  1. Yapay Zekâya Giriş (12 ders saati)

  • Yapay Zekâ Kavramları
    • 1.Yapay zekâ kavramlarını açıklar.
    • Yapay zekâ tanımı açıklanır.
    • Yapay zekânın hangi problemlerde kullanılacağı açıklanır.
    • Yapay zekâ ile insan zekâsı arasındaki farklar anlatılır.
    • Yapay zekâ örneği yaptırılır.
    • Yapay zekânın tarihsel gelişimi anlatılır.
    • Yapay zekâ etiği tanımlanır.
    • Robot etiği açıklanır.
    • Olası yapay zekâ problemleri açıklanır.
    • Paket program kullanarak veri seti analiz örneği yaptırılır.
  • Veri Seti Kavramları
    • 2.Veri seti kavramlarını açıklar.
    • Veri seti özellikleri açıklanır.
    • Veri seti deposunun ne amaçla kullanıldığı açıklanır.
    • Makine öğrenmesi için gerekli olan veri kavramı ve veri seti oluşturmanın önemi üzerinde durulur.
    • Veri seti depoları tanımlanarak veri seti depoları kullanımı uygulanır.
    • Veri seti hazırlamak için gerekli aşamalar yaptırılır.

  2. Makine Öğrenmesi (48 ders saati)

  • Makine Öğrenmesi Kavramı Ve Temelleri
    • 1.Makine öğrenmesi kavramını ve temellerini tanımlar.
    • Makine öğrenmesi, tahmin, kestirim ve sınıflandırma kavramları açıklanır.
    • Makine öğrenmesi türleri (denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenme) açıklanır.
    • Makine öğrenmesi için kullanılacak yazılımlar ve bunların kurulumu açıklanır.
    • Makine öğrenmesi için kullanılacak programlama diline ait temel uygulamalar yapılır.
    • Sistem başarısı ölçme yöntemleri açıklanır.
    • Aşırı öğrenme ve zayıf öğrenme kavramı ve önemi açıklanır.
  • Makine Öğrenmesi Kütüphaneleri
    • 2.Makine öğrenmesi uygulamaları için gerekli kütüphaneleri tanır.
    • Makine öğrenmesi için geliştirilmiş kütüphaneler açıklanır.
    • Makine öğrenmesi için geliştirilmiş kütüphaneleri kurulumu ve ekleme işlemleri yaptırılır.
    • Veri hazırlama kavramı açıklanır.
    • Sınıflandırma veya tahmin için veri kümesi hazırlama işlemi yaptırılır.
    • Makine öğrenmesi kütüphanelerine ilişkin temel işlemler açıklanır.
    • Veri yükleme ve ön işleme aşamaları uygulamalı olarak yaptırılır.
  • Makine Öğrenmesi için Kullanılan Algoritmalar
    • 3.Makine öğrenmesi için kullanılan algoritmaları tanır.
    • Öğrenme algoritmaları açıklanır.
    • Gözetimli öğrenme algoritması tanımlanır.
    • Gözetimsiz öğrenme algoritması tanımlanır.
    • Sınıflandırma ve kümeleme yöntemleri açıklanır.
    • Öğrenme algoritmalarını kullanarak uygulama yaptırılır.
    • Model geçerliliği (Çapraz, Rasgele örneklemeli geçerlilik) açıklanır.
    • Kullanılan algoritma çeşitlerine göre, eğitimin ne zaman durdurulması gerektiği açıklanır.
  • Regresyon Analizi ve Yöntemleri
    • 4.Regresyon Analizini ve yöntemlerini bilir.
    • Regresyonun tanımı yapılarak matematiksel olarak açıklanır.
    • Doğrusal regresyon ve doğrusal olmayan regresyon modellerini ayırt etmesi sağlanır.
    • En küçük Kareler Yöntemi ile regresyon yaptırılarak matematiksel olarak açıklanır.
    • Regresyon ve Korelasyon arasındaki ilişki açıklanır.
    • Eşikleme ve yarışmalı sınıflama kavramları açıklanır.
  • Gözetimli Öğrenme Algoritmaları
    • 5.Gözetimli Öğrenme algoritmalarını kullanarak makine öğrenmesini gerçekleştirir.
    • Doğrusal Regresyon algoritmasını kullanarak veri seti üzerinde gözetimli öğrenme uygulaması yaptırılır.
    • Lojistik Regresyon algoritmasını kullanarak veri üzerinde gözetimli öğrenme uygulaması yaptırılır.
    • En yakın komşuluk algoritmasını kullanarak veri üzerinde gözetimli öğrenme uygulaması yaptırılır.
    • Karar Ağacı algoritmasını kullanarak veri üzerinde gözetimli öğrenme uygulaması yaptırılır.
    • Random Forest algoritmasını kullanarak veri üzerinde gözetimli öğrenme uygulaması yaptırılır.
    • Destek vektör makinaları algoritmasını kullanarak veri üzerinde gözetimli öğrenme uygulaması yaptırılır.
    • Veri seti verilen bir duruma ait uygun makine öğrenmesi algoritması seçilerek kullanılır.

  3. Yapay Sinir Ağları (48 ders saati)

  • Yapay Sinir Ağları Temel Kavramları ve Uygulamaları
    • 1.Yapay sinir ağlarının temel kavramlarını ve nasıl uygulandığını bilir.
    • Yapay Sinir Ağlarında Derin Öğrenme kavramının yeri ve terminolojisi açıklanır.
    • Derin Öğrenmenin diğer yöntemlerden farkları açıklanır.
    • Yapay Sinir Ağları uygulamaları için gerekli donanımlar açıklanır.
    • Yapay Sinir Ağları uygulamaları için kullanılan programlama dilleri açıklanır.
    • Yapay Sinir Ağları uygulama ortamları açıklanır.
    • Yapay Sinir Ağları ile uygulama yapılması sağlanır.
    • Yapay Sinir Ağları matematiksel temelleri açıklanır.
    • Tensör çeşitleri açıklanarak uygulama yapılması sağlanır.
    • Tensörler arasında işlemler yapılması sağlanır.
    • Yapay Sinir Ağları modellerinde optimizasyonun gerekliliği açıklanır.
    • Hazır veri kümeleri hakkında açıklama yapılır.
    • MNIST hazır veri kümesi tanıtılır.
    • Hazır veri kümeleri ile uygulama yapılması sağlanır.
  • Yapay Sinir Ağları Çeşitleri ve Katmanları
    • 2.Yapay sinir ağları çeşitlerini tanımlar, farklı katmanlara sahip ağları açıklar.
    • Yapay Sinir Ağları kavramı örneklerle açıklanır.
    • Yapay Nöron Modeli kavramı açıklanır.
    • Tek Katmanlı Algılayıcılar açıklanır ve matematiksel gösteriminin örneklerle yapılması sağlanır.
    • Çok Katmanlı Algılayıcılara neden gerek duyulduğu açıklanır.
    • Çok Katmanlı Algılayıcılarla ilgili örnek yaptırılır.
    • Yapay Sinir Ağlarında hazır model oluşturulur.
    • Katmanlarla model oluşturma açıklanarak uygulama yapılması sağlanır.
    • Yapay Sinir Ağlarında oluşturulan bir modelin optimizasyon türünün deneme yanılma yöntemiyle bulunması sağlanır.
    • Denetimli (Supervised) Öğrenme, Denetimsiz (Unsupervised) Öğrenme, Pekiştirmeli Öğrenme (Reinforcement Learning) gibi öğrenme modelleri açıklanır.
    • Geri yayılım/hesaplama tekniği ile matematiksel olarak model oluşturma açıklanır.
    • İleri yayılım/hesaplama tekniği ve matematiksel olarak model oluşturma açıklanır.
    • Yapay Sinir Ağlarında oluşturulan bir modelin aktivasyon fonksiyonu türünün deneme yanılma yöntemiyle bulunması sağlanır.
    • OpenCV kütüphanesi ekletilerek bu kütüphaneye ait uygulamalar yaptırılır.

  Dersin Amaçları

  • Bu derste öğrenciye; yapay zekâ ve makine öğrenmesi ile ilgili bilgi ve becerilerin kazandırılması amaçlanmaktadır.