Bilgi Paketi / Ders Kataloğu
| Ders Kodu | : MCS512 |
| Ders Türü | : Bölüm Seçmeli |
| Ders Grubu | : Yüksek Lisans |
| Eğitim Dili | : İngilizce |
| Staj Durumu | : Yok |
| Teori | : 3 |
| Uyg. | : 0 |
| Kredi | : 3 |
| Laboratuvar | : 0 |
| AKTS | : 8 |
Bu ders, bilgisayar mühendisliği yüksek lisans öğrencilerine sinyal işleme ve açıklanabilir yapay zeka konularında temel bilgiler sunmayı amaçlamaktadır. Öğrenciler, sinyallerin temel özelliklerini ve işleme yöntemlerini öğrenerek, açıklanabilir yapay zeka algoritmalarının tasarım ve uygulamasını keşfedeceklerdir. Ders, teorik temellerin yanı sıra pratik uygulama becerilerini de geliştirmeyi hedeflemektedir.
Bu ders, bilgisayar mühendisliği yüksek lisans öğrencilerine sinyal işleme prensiplerini ve açıklanabilir yapay zeka tekniklerini öğretmeyi amaçlamaktadır. Ders, sinyallerin temel özelliklerini, analizini ve işlenmesini kapsayacak ve ardından açıklanabilir yapay zeka tekniklerinin kullanımını inceleyecektir. Öğrenciler, sinyal işleme ve açıklanabilir yapay zeka alanlarındaki temel kavramları anlayacak, bu kavramları uygulamalı projeler ve örneklerle pekiştirecek ve ileri düzeydeki sinyal işleme ve açıklanabilir yapay zeka tekniklerini kullanarak gerçek dünya sorunlarını çözebilecek becerileri geliştirecektir.
| Doç. Dr. Ahmet Çağdaş SEÇKİN |
| Doç. Dr. Fatih SOYGAZİ |
| 1. | Sinyal işleme prensiplerini ve temel kavramları anlamak. |
| 2. | Sinyalleri analiz etmek ve işlemek için gerekli matematiksel araçları kullanabilmek. |
| 3. | İstatistiksel karar verme problemlerini çözebilmek. |
| 4. | Makine öğrenmesi ve derin öğrenme tekniklerini anlamak ve uygulamak. |
| 5. | Açıklanabilir yapay zeka kavramını anlamak ve açıklanabilirlik yöntemlerini kullanabilmek. |
| 6. | Sinyal işleme ve açıklanabilir yapay zeka tekniklerini gerçek dünya problemlerine uygulayabilmek. |
| 7. | Projeler ve örnekler aracılığıyla sinyal işleme ve açıklanabilir yapay zeka konularında pratik |
| 1. | Little, M. A. (2019). Machine Learning for Signal Processing: Data Science, Algorithms, and Computational Statistics. United Kingdom: Oxford University Press. |
| 2. | Rothman, D. (2020). Hands-On Explainable AI (XAI) with Python: Interpret, Visualize, Explain, and Integrate Reliable AI for Fair, Secure, and Trustworthy AI Apps. India: Packt Publishing. |
| 3. | Subasi, A. (2019). Practical Guide for Biomedical Signals Analysis Using Machine Learning Techniques: A MATLAB Based Approach. United Kingdom: Elsevier Science. |
| 4. | Chen, T. T. (2023). Explainable Artificial Intelligence (XAI) in Manufacturing: Methodology, Tools, and Applications. Germany: Springer International Publishing. |
| Değerlendirme Türü | Adet | Yüzde |
|---|---|---|
| Ara Sınav (Vize) | 1 | %30 |
| Dönem Sonu Sınavı (Final) | 1 | %40 |
| Proje | 1 | %30 |
| Etkinlik | Sayısı | Ön Hazırlık | Süre | Toplam Iş Yükü (Saat) |
|---|---|---|---|---|
| Kuramsal Ders | 14 | 5 | 3 | 112 |
| Proje | 1 | 45 | 3 | 48 |
| Ara Sınav | 1 | 10 | 3 | 13 |
| Dönem Sonu Sınavı | 1 | 20 | 3 | 23 |
| TOPLAM İŞ YÜKÜ (Saat) | 196 | |||
PÇ-1 | PÇ-2 | PÇ-3 | PÇ-4 | PÇ-5 | PÇ-6 | PÇ-7 | PÇ-8 | PÇ-9 | |
OÇ-1 | 3 | 4 | 5 | 3 | 4 | 5 | 3 | 4 | 5 |
OÇ-2 | 3 | 4 | 5 | 3 | 4 | 5 | 3 | 4 | 5 |
OÇ-3 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
OÇ-4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
OÇ-5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
OÇ-6 | 5 | 4 | 5 | 4 | 5 | 4 | 5 | 4 | 5 |
OÇ-7 | 4 | 5 | 4 | 5 | 4 | 5 | 4 | 5 | 4 |