| 1 |
- |
Yapay Zekaya Giriş: YZ'nin tarihsel gelişimi, temel tanımlar, YZ türleri (dar YZ, genel YZ, güçlü YZ), günümüzdeki uygulama alanları ve ön-yüz geliştirmedeki yeri. |
Anlatım ve Uygulama |
| 2 |
- |
Python ile YZ'ye Hazırlık: Python temelleri (değişkenler, kontrol yapıları, fonksiyonlar) |
Anlatım ve Uygulama |
| 3 |
- |
NumPy ve Pandas kütüphanelerine giriş, temel veri manipülasyonu |
Anlatım ve Uygulama |
| 4 |
- |
Matplotlib ile görselleştirme. |
Anlatım ve Uygulama |
| 5 |
- |
Makine Öğrenmesine Giriş: Denetimli / denetimsiz / pekiştirmeli öğrenme kavramları. |
Anlatım ve Uygulama |
| 6 |
- |
Doğrusal regresyon ve lojistik regresyon. |
Anlatım ve Uygulama |
| 7 |
- |
Scikit-learn ile ilk model eğitimi ve değerlendirmesi (train-test split, doğruluk metrikleri). |
Anlatım ve Uygulama |
| 8 |
- |
Sınıflandırma Algoritmaları: K-En Yakın Komşu (KNN), Karar Ağaçları, Naive Bayes; veri ön işleme (normalizasyon, eksik veri), karmaşıklık matrisi ve F1-skor yorumlama. |
Anlatım ve Uygulama |
| 9 |
- |
Sınıflandırma Algoritmaları: K-En Yakın Komşu (KNN), Karar Ağaçları, Naive Bayes; veri ön işleme (normalizasyon, eksik veri), karmaşıklık matrisi ve F1-skor yorumlama. |
Anlatım ve Uygulama |
| 10 |
- |
ARA SINAV |
- |
| 11 |
- |
Derin Öğrenmeye Giriş: Yapay sinir ağı mimarisi (nöron, katmanlar, aktivasyon fonksiyonları) |
Anlatım ve Uygulama |
| 12 |
- |
ileri ve geri yayılım, Keras/TensorFlow ile ilk derin öğrenme modeli kurulumu. |
Anlatım ve Uygulama |
| 13 |
- |
Evrişimli Sinir Ağları (CNN) – Görüntü İşleme: CNN mimarisi (Conv, Pooling, Dense katmanlar). |
Anlatım ve Uygulama |
| 14 |
- |
Görüntü sınıflandırma, Transfer Learning (MobileNet, ResNet); front-end için model dışa aktarımı. |
Anlatım ve Uygulama |
| 15 |
- |
Proje Sunumu |
Anlatım |
| 16 |
- |
FİNAL |
- |
| 17 |
- |
FİNAL |
- |