Makine Öğrenmesi ve Derin Öğrenme Yıllık Plan

T.C. MİLLİ EĞİTİM BAKANLIĞI
.......... OKUL SEÇ ..........
2026-2027 EĞİTİM ÖĞRETİM YILI 10. SINIF MAKİNE ÖĞRENMESİ VE DERİN ÖĞRENME DERSİ DERS PLANI

Öğretmen Adı

Ders Öğretmeni

Müdür Adı

Okul Müdürü

Hafta 8 / 37
2026-2027 günlük plan ana yapı tablosu — 37 hafta
HaftaTarihSaatTema / ÜniteÜnite / TemaKonuÖğrenme Çıktısı KodlarıKazanım KodlarıÖğrenme KanıtlarıÖlçme-DeğerlendirmeBölüm / Durum
#14-18 Eylül7Makine Öğrenmesi TemelleriMakine öğrenmesi yöntemleriVerilen problem senaryolarına uygun makine öğrenmesi yöntemini belirler.Yazılı Sınav, Performans GöreviDolu
#21-25 Eylül7Makine Öğrenmesi TemelleriMakine öğrenmesi yöntemleriVerilen problem senaryolarına uygun makine öğrenmesi yöntemini belirler.Yazılı Sınav, Performans GöreviDolu
#28 Eylül - 2 Ekim7Makine Öğrenmesi TemelleriVeri ön işleme teknikleriVeri ön işleme tekniklerini uygular.Yazılı Sınav, Performans GöreviDolu
#5-9 Ekim7Denetimli Öğrenme ModelleriDenetimli öğrenme süreçleriDenetimli öğrenme süreçlerini problem senaryoları üzerinde yapılandırır.Yazılı Sınav, Performans GöreviDolu
#12-16 Ekim7Denetimli Öğrenme ModelleriDenetimli öğrenme süreçleriDenetimli öğrenme süreçlerini problem senaryoları üzerinde yapılandırır.Yazılı Sınav, Performans GöreviDolu
#19-23 Ekim7Denetimli Öğrenme ModelleriK-En Yakın Komşu ve Naive Bayes algoritmalarıK-En Yakın Komşu ve Naive Bayes algoritmalarını uygular.Yazılı Sınav, Performans GöreviDolu
#26-30 Ekim7Denetimli Öğrenme ModelleriK-En Yakın Komşu ve Naive Bayes algoritmalarıK-En Yakın Komşu ve Naive Bayes algoritmalarını uygular.Yazılı Sınav, Performans GöreviDolu
#2-6 Kasım7Denetimli Öğrenme ModelleriDestek vektör makineleriDestek Vektör Makineleri ile sınıflandırma yapar.Yazılı Sınav, Performans GöreviDolu

8. Hafta — 2-6 Kasım — Tema: Denetimli Öğrenme Modelleri Dolu

Ders
Makine Öğrenmesi ve Derin Öğrenme
Sınıf
10. Sınıf
Tema / Ünite
Denetimli Öğrenme Modelleri
Konu
Destek vektör makineleri
Süre
7 ders saati (280 dk)
Tarih
2-6 Kasım
Hafta
8. Hafta
Belirli Gün ve Haftalar
Kızılay Haftası (29 Ekim-4 Kasım), Lösemili Çocuklar Haftası (2-8 Kasım), Organ Bağışı ve Nakli Haftası (3-9 Kasım)

Öğrenme Çıktıları ve Süreç Bileşenleri MEB

Destek Vektör Makineleri ile sınıflandırma yapar.
Destek Vektör Makineleri algoritmasının karar sınırları belirlenir.
Hiper düzlem kavramı ve marjin en iyilemesi üzerinde durulur.

Tema Özeti DPO

DENETİMLİ ÖĞRENME MODELLERİ ünitesinin 5. haftası.

Programlar Arası Bileşenler MEB

Kavramsal BecerilerKB2.4 Çözümleme / AnalizKB2.5 SınıflandırmaKB2.7 KarşılaştırmaKB2.8 Sorgulama / İncelemeKB2.9 GenellemeKB2.10 Çıkarım YapmaKB2.13 Yapılandırma
EğilimlerE1.1 MerakE3.6 AnalitiklikE3.7 SistemlilikE3.10 Eleştirel Bakma
Sosyal-Duygusal Öğrenme BecerileriSDB2.1 İletişimSDB3.1 Sorunları Çözme
DeğerlerD3 ÇalışkanlıkD12 SabırD16 Sorumluluk
Okuryazarlık BecerileriOB2 Dijital OkuryazarlıkOB7 Veri Okuryazarlığı
Beceriler Arası İlişkilerMAB2. Matematiksel Problem ÇözmeBTYAB5. Veri Yönetimi

Alan Becerileri MEB

Makine öğrenmesi ve derin öğrenme uygulamaları yapma

Öğrenme Kanıtları (Ölçme ve Değerlendirme) DPO

  • Yazılı Sınav
  • Performans Görevi
  • Öz Değerlendirme Formu

Temel Kabuller DPO

Önceki haftaların çıktıları (K-En Yakın Komşu ve Naive Bayes algoritmaları) edinilmiş kabul edilir.

Ön Değerlendirme Süreci DPO

Önceki haftanın çıktıları (K-En Yakın Komşu ve Naive Bayes algoritmaları) kısa sorularla yoklanır.

Köprü Kurma DPO

K-En Yakın Komşu ve Naive Bayes algoritmaları ile Destek vektör makineleri arasında ilişki kurulur; destek vektör makineleri hatırlatılır.

Öğrenme-Öğretme Uygulamaları DPO

  1. Derse Giriş30 dk

    Önceki haftanın çıktıları (K-En Yakın Komşu ve Naive Bayes algoritmaları) kısa sorularla yoklanır; destek vektör makineleri konusuna dikkat çekilir. Kızılay Haftası (29 Ekim-4 Kasım) ile bağ kurularak derse giriş yapılır.

  2. Keşfetme85 dk

    Öğrencilerin destek vektör makineleri ile ilgili ön bilgileri sorularla ortaya çıkarılır; gerçek yaşam bağlamından bir örnekle konu keşfettirilir.

  3. Uygulama125 dk

    Öğrenciler destek vektör makineleri ile ilgili etkinlikleri bireysel ve grup çalışmasıyla uygular; öğretmen süreci gözlemleyip dönüt verir (Destek vektör makineleri).

  4. Sonuçlandırma40 dk

    Öğrencilerin "Hiper düzlem kavramı ve marjin en iyilemesi üzerinde durulur" düzeyine ulaşması gözlenir; yazılı Sınav ile değerlendirilir.

Sınıf defteri: Destek vektör makineleri; değerlendirme

Derse Giriş 30 dk

Önceki haftanın çıktıları (K-En Yakın Komşu ve Naive Bayes algoritmaları) kısa sorularla yoklanır; destek vektör makineleri konusuna dikkat çekilir. Kızılay Haftası (29 Ekim-4 Kasım) ile bağ kurularak derse giriş yapılır.

Keşfetme 85 dk

Öğrencilerin destek vektör makineleri ile ilgili ön bilgileri sorularla ortaya çıkarılır; gerçek yaşam bağlamından bir örnekle konu keşfettirilir.

Uygulama 125 dk

Öğrenciler destek vektör makineleri ile ilgili etkinlikleri bireysel ve grup çalışmasıyla uygular; öğretmen süreci gözlemleyip dönüt verir (Destek vektör makineleri).

Sonuçlandırma 40 dk

Öğrencilerin "Hiper düzlem kavramı ve marjin en iyilemesi üzerinde durulur" düzeyine ulaşması gözlenir; yazılı Sınav ile değerlendirilir.

Farklılaştırma Boş

ZÖğretmen tarafından doldurulacak
DÖğretmen tarafından doldurulacak

Araç-Gereç ve Kaynaklar DPO

Araç-Gereç
  • Ders kitabı
  • Etkileşimli tahta
Kaynaklar
  • Makine Öğrenmesi ve Derin Öğrenme Dersi Öğretim Programı (MEB, Türkiye Yüzyılı Maarif Modeli)

Öğretmen Görüşleri

BÖLÜM I

Ders
Makine Öğrenmesi ve Derin Öğrenme
Sınıf
10. Sınıf
Ünite / Tema
Denetimli Öğrenme Modelleri
Konu
Destek vektör makineleri
Önerilen Süre
7 ders saati (280 dk)
Tarih
2-6 Kasım
Hafta
8. Hafta
Belirli Gün ve Haftalar
Kızılay Haftası (29 Ekim-4 Kasım), Lösemili Çocuklar Haftası (2-8 Kasım), Organ Bağışı ve Nakli Haftası (3-9 Kasım)

BÖLÜM II DPO

Kazanımlar
Destek Vektör Makineleri ile sınıflandırma yapar.
Açıklamalar YZ
  • Destek Vektör Makineleri algoritmasının karar sınırları belirlenir.
  • Hiper düzlem kavramı ve marjin en iyilemesi üzerinde durulur.
Öğrenme-Öğretme Yöntem ve Teknikleri
  • Anlatım
  • Soru-Cevap
  • Problem Çözme
  • Gösterip Yaptırma
Kullanılan Eğitim Teknolojileri, Araç ve Gereçler
Araç-Gereç
  • Ders kitabı
  • Etkileşimli tahta
Kaynaklar
  • Makine Öğrenmesi ve Derin Öğrenme Dersi Öğretim Programı (MEB, Türkiye Yüzyılı Maarif Modeli)
Öğrenme-Öğretme Etkinlikleri
Dikkat Çekme

Destek vektör makineleri ile ilgili günlük yaşamdan ya da meslekten bir örnek veya soru ile derse başlanır.

Güdüleme

Destek vektör makineleri konusunun meslekteki ve günlük yaşamdaki yeri vurgulanır.

Gözden Geçirme

Önceki haftanın konusu (K-En Yakın Komşu ve Naive Bayes algoritmaları) kısaca tekrar edilir.

Derse Geçiş

Haftanın kazanımı öğrencilerle paylaşılır: Destek Vektör Makineleri ile sınıflandırma yapar.

Bireysel Öğrenme Etkinlikleri

Anlatım, soru-cevap ve gösterip yaptırma ile:
1) Destek Vektör Makineleri algoritmasının karar sınırları belirlenir.
2) Hiper düzlem kavramı ve marjin en iyilemesi üzerinde durulur.

Grupla Öğrenme Etkinlikleri

Öğrenciler gruplara ayrılır; destek vektör makineleri ile ilgili problem/örnek olay grup çalışmasıyla çözülür ve sınıfla paylaşılır.

Özet

Haftanın konuları öğrencilerle birlikte özetlenir; bir sonraki dersin konusu duyurulur.

BÖLÜM III — Ölçme-Değerlendirme

Bireysel Öğrenme Etkinliklerine Yönelik Ölçme-Değerlendirme
  • Yazılı Sınav
  • Performans Görevi
  • Öz Değerlendirme Formu
Grupla Öğrenme Etkinliklerine Yönelik Ölçme-Değerlendirme
  • Grup çalışması gözlem formu
Öğrenme Güçlüğü Olan ve İleri Düzey Öğrenciler İçin Ek Ölçme-Değerlendirme

    BÖLÜM IV — Planın Uygulanmasına İlişkin Açıklamalar

    • Belirtilen tarihlerde ve haftalarda, müfredat programına göre değişiklikler yapılabilir.
    • Öğrenci merkezli öğretim yöntemleri ve teknikleri aktif olarak kullanılacaktır.
    • Ölçme ve değerlendirme süreçlerinde çeşitlilik sağlanacak ve süreç odaklı değerlendirme yapılacaktır.
    • Bireysel farklılıklar dikkate alınarak öğretime yön verilecektir.
    • Teknoloji entegrasyonu ile öğrenme süreçleri desteklenecektir.
    #9-13 Kasım7Denetimli Öğrenme ModelleriKarar ağaçları ve topluluk öğrenme modelleriKarar ağaçları ve topluluk öğrenme modellerini uygular.Yazılı Sınav, Performans GöreviDolu
    16-20 KasımAkademik Takvim 1. Dönem Ara Tatil
    #23-27 Kasım7Denetimli Öğrenme ModelleriModel performansıModel performansını değerlendirir.Yazılı Sınav, Performans GöreviDolu
    #30 Kasım - 4 Aralık7Denetimsiz Öğrenme ModelleriDenetimsiz öğrenme yaklaşımının temel özellikleriDenetimsiz öğrenme yaklaşımının temel özelliklerini ayırt eder.Yazılı Sınav, Performans GöreviDolu
    #7-11 Aralık7Denetimsiz Öğrenme ModelleriDenetimsiz öğrenme yaklaşımının temel özellikleriDenetimsiz öğrenme yaklaşımının temel özelliklerini ayırt eder.Yazılı Sınav, Performans GöreviDolu
    #14-18 Aralık7Denetimsiz Öğrenme ModelleriKümeleme algoritmalarıKümeleme algoritmalarının temel mantığını açıklar.Yazılı Sınav, Performans GöreviDolu
    #21-25 Aralık7Denetimsiz Öğrenme ModelleriKümeleme algoritmalarıKümeleme algoritmalarının temel mantığını açıklar.Yazılı Sınav, Performans GöreviDolu
    #28 Aralık - 1 Ocak7Denetimsiz Öğrenme ModelleriK-Means kümeleme algoritmasıK-Means kümeleme algoritmasını uygular.Yazılı Sınav, Performans GöreviDolu
    #4-8 Ocak7Denetimsiz Öğrenme ModelleriHiyerarşik kümeleme algoritmalarıHiyerarşik kümeleme algoritmalarını uygular.Yazılı Sınav, Performans GöreviDolu
    #11-15 Ocak7Denetimsiz Öğrenme ModelleriYoğunluk tabanlı kümeleme algoritmalarıYoğunluk tabanlı kümeleme algoritmalarını uygular.Yazılı Sınav, Performans GöreviDolu
    #18-22 Ocak7Denetimsiz Öğrenme ModelleriKümeleme sonuçlarıKümeleme sonuçlarını değerlendirir.Yazılı Sınav, Performans GöreviDolu
    25-29 OcakAkademik Takvim Yarıyıl Tatili
    1-5 ŞubatAkademik Takvim Yarıyıl Tatili
    #8-12 Şubat7Derin Öğrenme ModelleriYapay ve derin sinir ağlarının temel yapılarıYapay ve derin sinir ağlarının temel yapılarını ayırt eder.Yazılı Sınav, Performans GöreviDolu
    #15-19 Şubat7Derin Öğrenme ModelleriYapay ve derin sinir ağlarının temel yapılarıYapay ve derin sinir ağlarının temel yapılarını ayırt eder.Yazılı Sınav, Performans GöreviDolu
    #22-26 Şubat7Derin Öğrenme ModelleriYapay ve derin sinir ağlarıYapay ve derin sinir ağları ile temel model oluşturur.Yazılı Sınav, Performans GöreviDolu
    #1-5 Mart7Derin Öğrenme ModelleriEvrişimli sinir ağlarıEvrişimli sinir ağlarının temel bileşenlerini açıklar.Yazılı Sınav, Performans GöreviDolu
    8-12 MartAkademik Takvim 2. Dönem Ara Tatil
    #15-19 Mart7Derin Öğrenme ModelleriEvrişimli sinir ağları ile görüntü işlemeEvrişimli sinir ağları ile görüntü işleme uygulamaları yapar.Yazılı Sınav, Performans GöreviDolu
    #22-26 Mart7Derin Öğrenme ModelleriEvrişimli sinir ağları ile görüntü işlemeEvrişimli sinir ağları ile görüntü işleme uygulamaları yapar.Yazılı Sınav, Performans GöreviDolu
    #29 Mart - 2 Nisan7Derin Öğrenme ModelleriYinelemeli sinir ağlarıYinelemeli sinir ağlarını sıralı verilerde kullanır.Yazılı Sınav, Performans GöreviDolu
    #5-9 Nisan7Derin Öğrenme ModelleriÇekişmeli üreteci ağlarÇekişmeli üreteci ağların temel çalışma mantığını açıklar.Yazılı Sınav, Performans GöreviDolu
    #12-16 Nisan7Derin Öğrenme ModelleriÇekişmeli üreteci ağlarÇekişmeli üreteci ağların temel çalışma mantığını açıklar.Yazılı Sınav, Performans GöreviDolu
    #19-23 Nisan7Derin Öğrenme ModelleriDerin öğrenme modellerinin performansıDerin öğrenme modellerinin performansını değerlendirir.Yazılı Sınav, Performans GöreviDolu
    #26-30 Nisan7Pekiştirmeli ÖğrenmePekiştirmeli öğrenmenin temel kavramlarıPekiştirmeli öğrenmenin temel kavramlarını açıklar.Yazılı Sınav, Performans GöreviDolu
    #3-7 Mayıs7Pekiştirmeli ÖğrenmePekiştirmeli öğrenme sürecinin çalışma mantığıPekiştirmeli öğrenme sürecinin çalışma mantığını açıklar.Yazılı Sınav, Performans GöreviDolu
    #10-14 Mayıs7Pekiştirmeli ÖğrenmePekiştirmeli öğrenmede kullanılan temel yöntemlerPekiştirmeli öğrenmede kullanılan temel yöntemleri tanır.Yazılı Sınav, Performans GöreviDolu
    #17-21 Mayıs7Pekiştirmeli ÖğrenmeQ-öğrenme algoritmasıQ-öğrenme algoritmasını kullanarak basit bir model oluşturur.Yazılı Sınav, Performans GöreviDolu
    #24-28 Mayıs7Pekiştirmeli ÖğrenmeQ-öğrenme algoritmasıQ-öğrenme algoritmasını kullanarak basit bir model oluşturur.Yazılı Sınav, Performans GöreviDolu
    #31 Mayıs - 4 Haziran7Pekiştirmeli ÖğrenmePekiştirmeli öğrenme modelleriPekiştirmeli öğrenme modellerini simülasyon ortamlarında uygular.Yazılı Sınav, Performans GöreviDolu
    #7-11 Haziran7Pekiştirmeli ÖğrenmePekiştirmeli öğrenme modelleriPekiştirmeli öğrenme modellerini simülasyon ortamlarında uygular.Yazılı Sınav, Performans GöreviDolu
    #14-18 Haziran7Pekiştirmeli ÖğrenmePekiştirmeli öğrenmenin kullanım alanlarıPekiştirmeli öğrenmenin kullanım alanlarına örnekler verir.Yazılı Sınav, Performans GöreviDolu
    #21-25 Haziran7Sosyal EtkinlikSosyal EtkinlikOkul temelli planlama kapsamında sosyal etkinlik haftasıBoş Sosyal Etkinlik

    10. Sınıf Makine Öğrenmesi ve Derin Öğrenme Günlük Planı — Kaynaklar ve İçerik

    • 10. Sınıf Makine Öğrenmesi ve Derin Öğrenme Yıllık Planı (çerçeve / ünitelendirilmiş yıllık plan)
    • Ders İçeriği

      Yapay Zeka - Yapay Zeka (Mesleki ve Teknik Anadolu Lisesi) alanında Makine Öğrenmesi ve Derin Öğrenme dersi 10. sınıf 2026-2027 eğitim öğretim yılı günlük planı (haftalık ders planı). Haftalık 7 ders saati.

      Üniteler ve Konular

      1. Makine Öğrenmesi Temelleri (19 ders saati)

      Makine öğrenmesi ön işlemlerini yapabilme

      • 1. Makine öğrenmesi yöntemleri
        • Verilen problem senaryolarına uygun makine öğrenmesi yöntemini belirler.
      • 2. Veri ön işleme teknikleri
        • Veri ön işleme tekniklerini uygular.

      2. Denetimli Öğrenme Modelleri (48 ders saati)

      Denetimli öğrenme modellerini kullanabilme

      • 1. Denetimli öğrenme süreçleri
        • Denetimli öğrenme süreçlerini problem senaryoları üzerinde yapılandırır.
      • 2. K-En Yakın Komşu ve Naive Bayes algoritmaları
        • K-En Yakın Komşu ve Naive Bayes algoritmalarını uygular.
      • 3. Destek vektör makineleri
        • Destek Vektör Makineleri ile sınıflandırma yapar.
      • 4. Karar ağaçları ve topluluk öğrenme modelleri
        • Karar ağaçları ve topluluk öğrenme modellerini uygular.
      • 5. Model performansı
        • Model performansını değerlendirir.

      3. Denetimsiz Öğrenme Modelleri (58 ders saati)

      Denetimsiz öğrenme modellerini kullanabilme

      • 1. Denetimsiz öğrenme yaklaşımının temel özellikleri
        • Denetimsiz öğrenme yaklaşımının temel özelliklerini ayırt eder.
      • 2. Kümeleme algoritmaları
        • Kümeleme algoritmalarının temel mantığını açıklar.
      • 3. K-Means kümeleme algoritması
        • K-Means kümeleme algoritmasını uygular.
      • 4. Hiyerarşik kümeleme algoritmaları
        • Hiyerarşik kümeleme algoritmalarını uygular.
      • 5. Yoğunluk tabanlı kümeleme algoritmaları
        • Yoğunluk tabanlı kümeleme algoritmalarını uygular.
      • 6. Kümeleme sonuçları
        • Kümeleme sonuçlarını değerlendirir.

      4. Derin Öğrenme Modelleri (69 ders saati)

      Derin öğrenme modelleri ile uygulama yapabilme

      • 1. Yapay ve derin sinir ağlarının temel yapıları
        • Yapay ve derin sinir ağlarının temel yapılarını ayırt eder.
      • 2. Yapay ve derin sinir ağları
        • Yapay ve derin sinir ağları ile temel model oluşturur.
      • 3. Evrişimli sinir ağları
        • Evrişimli sinir ağlarının temel bileşenlerini açıklar.
      • 4. Evrişimli sinir ağları ile görüntü işleme
        • Evrişimli sinir ağları ile görüntü işleme uygulamaları yapar.
      • 5. Yinelemeli sinir ağları
        • Yinelemeli sinir ağlarını sıralı verilerde kullanır.
      • 6. Çekişmeli üreteci ağlar
        • Çekişmeli üreteci ağların temel çalışma mantığını açıklar.
      • 7. Derin öğrenme modellerinin performansı
        • Derin öğrenme modellerinin performansını değerlendirir.

      5. Pekiştirmeli Öğrenme (58 ders saati)

      Pekiştirmeli öğrenme modelleri ile uygulama yapabilme

      • 1. Pekiştirmeli öğrenmenin temel kavramları
        • Pekiştirmeli öğrenmenin temel kavramlarını açıklar.
      • 2. Pekiştirmeli öğrenme sürecinin çalışma mantığı
        • Pekiştirmeli öğrenme sürecinin çalışma mantığını açıklar.
      • 3. Pekiştirmeli öğrenmede kullanılan temel yöntemler
        • Pekiştirmeli öğrenmede kullanılan temel yöntemleri tanır.
      • 4. Q-öğrenme algoritması
        • Q-öğrenme algoritmasını kullanarak basit bir model oluşturur.
      • 5. Pekiştirmeli öğrenme modelleri
        • Pekiştirmeli öğrenme modellerini simülasyon ortamlarında uygular.
      • 6. Pekiştirmeli öğrenmenin kullanım alanları
        • Pekiştirmeli öğrenmenin kullanım alanlarına örnekler verir.

    İlgili Planlar