10. Sınıf Makine Öğrenmesi ve Derin Öğrenme Yıllık Planı 2026-2027

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

10. sınıf Makine Öğrenmesi ve Derin Öğrenme dersi, Yapay Zeka alanında haftada 7 ders saati okutulur; yıllık planında 5 öğrenme birimi, 252 ders saati ve 26 kazanım yer alır. Yıl, “Makine Öğrenmesi Temelleri” öğrenme birimiyle başlar (Makine öğrenmesi yöntemleri, Veri ön işleme teknikleri); “Denetimli Öğrenme Modelleri”, “Denetimsiz Öğrenme Modelleri” ve “Derin Öğrenme Modelleri” öğrenme birimlerinin ardından “Pekiştirmeli Öğrenme” öğrenme birimiyle biter.

• 10. Sınıf Makine Öğrenmesi ve Derin Öğrenme Günlük Planları (haftalık ders planları)
• 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 yıllık 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.