Yapay Zekâ Temelleri - 9
Maarif
Butonlar Ne İşe Yarar?
Planlarıma Ekle
Bu dersi favori planlarınıza ekler, hızlıca erişmenizi sağlar.
Programa Ekle
Dersi haftalık ders programınıza ekler.
Notlar
Bu haftanın kazanımıyla ilgili kişisel notlarınızı kaydeder.
Konu Soruları
Bu haftanın konusuyla ilgili soru bankasını açar.
Günlük Plan
Bu hafta için günlük ders planı oluşturur/gösterir.
İlgili Dökümanlar
Bu derse ait paylaşılan dökümanları listeler.
Akıllı Tahta
Maestro akıllı tahta uygulamasını yeni sekmede açar.
E-Kitap
Dersin e-kitabını açar (yalnızca e-kitabı olan derslerde görünür).
TYMM Detay / Ders Bilgi Formu
Dersin müfredat bilgi formunu/detayını gösterir.
Büyüt
Kart içeriğini büyük punto ile bir modalda gösterir (karta 1 sn basılı tutarak da açılır).
Dinle
Kartın başlığını ve içeriğini sesli okur.
Düzenle
Yıllık planı düzenleme ekranını açar.
İndir
Planı PDF, Word veya MEB Çerçeve Plan biçiminde indirir; premium üyeler WhatsApp/Telegram/E-posta’ya da gönderebilir.
Butonlar Ne İşe Yarar?
Bu dersi favori planlarınıza ekler, hızlıca erişmenizi sağlar.
Dersi haftalık ders programınıza ekler.
Bu haftanın kazanımıyla ilgili kişisel notlarınızı kaydeder.
Bu haftanın konusuyla ilgili soru bankasını açar.
Bu hafta için günlük ders planı oluşturur/gösterir.
Bu derse ait paylaşılan dökümanları listeler.
Maestro akıllı tahta uygulamasını yeni sekmede açar.
Dersin e-kitabını açar (yalnızca e-kitabı olan derslerde görünür).
Dersin müfredat bilgi formunu/detayını gösterir.
Kart içeriğini büyük punto ile bir modalda gösterir (karta 1 sn basılı tutarak da açılır).
Kartın başlığını ve içeriğini sesli okur.
Yıllık planı düzenleme ekranını açar.
Planı PDF, Word veya MEB Çerçeve Plan biçiminde indirir; premium üyeler WhatsApp/Telegram/E-posta’ya da gönderebilir.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâya Giriş
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Yapay zekâ ve temel özellikleri açıklanır.
Alan Becerileri
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını öğrenerek bir sunum hazırlamak
Python programlama dili ve yapay zekâ geliştirme ortamını hazırlamak
NumPy kütüphanesi kullanarak aritmetiksel işlemler yapmak
Pandas kütüphanesiyle veri işlemleri yapmak
CSV dosyasından veri okuma işlemleri gerçekleştirmek
Veri kümesini temizleme işlemleri yapmak
Scikit-learn kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow kütüphanesini programa dahil etme uygulaması yapmak
PyTorch kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow ve PyTorch kütüphanelerinin karşılaştırılarak bir rapor hazırlamak
Kodlama becerisini geliştirmek için bireysel öğrenme planı hazırlayıp yapay zekâ araçlarının hazırladığı öğrenme planlarıyla karşılaştırmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâya Giriş
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını öğrenerek bir sunum hazırlamak
Python programlama dili ve yapay zekâ geliştirme ortamını hazırlamak
NumPy kütüphanesi kullanarak aritmetiksel işlemler yapmak
Pandas kütüphanesiyle veri işlemleri yapmak
CSV dosyasından veri okuma işlemleri gerçekleştirmek
Veri kümesini temizleme işlemleri yapmak
Scikit-learn kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow kütüphanesini programa dahil etme uygulaması yapmak
PyTorch kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow ve PyTorch kütüphanelerinin karşılaştırılarak bir rapor hazırlamak
Kodlama becerisini geliştirmek için bireysel öğrenme planı hazırlayıp yapay zekâ araçlarının hazırladığı öğrenme planlarıyla karşılaştırmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâya Giriş
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını öğrenerek bir sunum hazırlamak
Python programlama dili ve yapay zekâ geliştirme ortamını hazırlamak
NumPy kütüphanesi kullanarak aritmetiksel işlemler yapmak
Pandas kütüphanesiyle veri işlemleri yapmak
CSV dosyasından veri okuma işlemleri gerçekleştirmek
Veri kümesini temizleme işlemleri yapmak
Scikit-learn kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow kütüphanesini programa dahil etme uygulaması yapmak
PyTorch kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow ve PyTorch kütüphanelerinin karşılaştırılarak bir rapor hazırlamak
Kodlama becerisini geliştirmek için bireysel öğrenme planı hazırlayıp yapay zekâ araçlarının hazırladığı öğrenme planlarıyla karşılaştırmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâya Giriş
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Yapay zekâda veri işleme kütüphanelerini kullanır.
Süreç Bileşenleri
Yapay zekâda veri işleme kütüphaneleri (Numpy, pandas vb.) açıklanır.
Alan Becerileri
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını öğrenerek bir sunum hazırlamak
Python programlama dili ve yapay zekâ geliştirme ortamını hazırlamak
NumPy kütüphanesi kullanarak aritmetiksel işlemler yapmak
Pandas kütüphanesiyle veri işlemleri yapmak
CSV dosyasından veri okuma işlemleri gerçekleştirmek
Veri kümesini temizleme işlemleri yapmak
Scikit-learn kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow kütüphanesini programa dahil etme uygulaması yapmak
PyTorch kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow ve PyTorch kütüphanelerinin karşılaştırılarak bir rapor hazırlamak
Kodlama becerisini geliştirmek için bireysel öğrenme planı hazırlayıp yapay zekâ araçlarının hazırladığı öğrenme planlarıyla karşılaştırmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâya Giriş
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını öğrenerek bir sunum hazırlamak
Python programlama dili ve yapay zekâ geliştirme ortamını hazırlamak
NumPy kütüphanesi kullanarak aritmetiksel işlemler yapmak
Pandas kütüphanesiyle veri işlemleri yapmak
CSV dosyasından veri okuma işlemleri gerçekleştirmek
Veri kümesini temizleme işlemleri yapmak
Scikit-learn kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow kütüphanesini programa dahil etme uygulaması yapmak
PyTorch kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow ve PyTorch kütüphanelerinin karşılaştırılarak bir rapor hazırlamak
Kodlama becerisini geliştirmek için bireysel öğrenme planı hazırlayıp yapay zekâ araçlarının hazırladığı öğrenme planlarıyla karşılaştırmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâya Giriş
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını öğrenerek bir sunum hazırlamak
Python programlama dili ve yapay zekâ geliştirme ortamını hazırlamak
NumPy kütüphanesi kullanarak aritmetiksel işlemler yapmak
Pandas kütüphanesiyle veri işlemleri yapmak
CSV dosyasından veri okuma işlemleri gerçekleştirmek
Veri kümesini temizleme işlemleri yapmak
Scikit-learn kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow kütüphanesini programa dahil etme uygulaması yapmak
PyTorch kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow ve PyTorch kütüphanelerinin karşılaştırılarak bir rapor hazırlamak
Kodlama becerisini geliştirmek için bireysel öğrenme planı hazırlayıp yapay zekâ araçlarının hazırladığı öğrenme planlarıyla karşılaştırmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâya Giriş
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını öğrenerek bir sunum hazırlamak
Python programlama dili ve yapay zekâ geliştirme ortamını hazırlamak
NumPy kütüphanesi kullanarak aritmetiksel işlemler yapmak
Pandas kütüphanesiyle veri işlemleri yapmak
CSV dosyasından veri okuma işlemleri gerçekleştirmek
Veri kümesini temizleme işlemleri yapmak
Scikit-learn kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow kütüphanesini programa dahil etme uygulaması yapmak
PyTorch kütüphanesini programa dahil etme uygulaması yapmak
TensorFlow ve PyTorch kütüphanelerinin karşılaştırılarak bir rapor hazırlamak
Kodlama becerisini geliştirmek için bireysel öğrenme planı hazırlayıp yapay zekâ araçlarının hazırladığı öğrenme planlarıyla karşılaştırmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Etik ve Sosyal Etkiler
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Yapay zekânın veri gizliliği ve güvenliği üzerindeki etkileri açıklanır.
Alan Becerileri
KVKK, GDPR gibi kişisel verilerin korunmasına yönelik yasal düzenlemeleri araştırmak
Bir e-ticaret platformunda yapay zekâ kullanarak müşterilerin alışveriş tercihlerine göre kişiselleştirilmiş ürün önerileri sunan bir sistem geliştirirken, bu sistemin etik, yasal ve veri gizliliği sorunlarını araştırmak
Otonom bir araç kaza yaptığında yasal ve etik sorumluluk kimde olacağı konusunda sınıf içi tartışma yapmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Etik ve Sosyal Etkiler
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Yapay zekâyla ilgili yasal düzenlemeleri açıklar.
Süreç Bileşenleri
Yapay zekâyla ilgili yasal düzenlemeleri açıklanır.
Alan Becerileri
KVKK, GDPR gibi kişisel verilerin korunmasına yönelik yasal düzenlemeleri araştırmak
Bir e-ticaret platformunda yapay zekâ kullanarak müşterilerin alışveriş tercihlerine göre kişiselleştirilmiş ürün önerileri sunan bir sistem geliştirirken, bu sistemin etik, yasal ve veri gizliliği sorunlarını araştırmak
Otonom bir araç kaza yaptığında yasal ve etik sorumluluk kimde olacağı konusunda sınıf içi tartışma yapmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
- Dönem Ara Tatili
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Etkinlik
Ünite/Tema/Öğrenme Alanı
Etik ve Sosyal Etkiler
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
KVKK, GDPR gibi kişisel verilerin korunmasına yönelik yasal düzenlemeleri araştırmak
Bir e-ticaret platformunda yapay zekâ kullanarak müşterilerin alışveriş tercihlerine göre kişiselleştirilmiş ürün önerileri sunan bir sistem geliştirirken, bu sistemin etik, yasal ve veri gizliliği sorunlarını araştırmak
Otonom bir araç kaza yaptığında yasal ve etik sorumluluk kimde olacağı konusunda sınıf içi tartışma yapmak
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Denetimsiz öğrenme açıklanır.
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Denetimsiz öğrenme uygulaması yaptırır.
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâda Öğrenme Türleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
KMeans algoritması ile meme kanseri (load_breast_cancer) verisetini kullanarak kanser tespit eden bir model geliştirmek
Pekiştirmeli öğrenme algoritması kullanılarak Digits veriseti ile ajanın rakam tahmin etmesini sağlayan model geliştirmek
K En Yakın Komşu algoritmalarını kullanarak California Housing veriseti ile ev fiyatlarını tahmin eden bir model geliştirmek
Random Forests algoritmasını kullanarak Load Diabetes veriseti ile diabetli hastaların tespitini tahmin eden bir model geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yarıyıl Tatili
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Ünite/Tema/Öğrenme Alanı
Yarıyıl Tatili
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
- Dönem Ara Tatili
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Etkinlik
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Yapay Zekâ Yöntemleri
Konu (İçerik Çerçevesi)
Öğrenme Çıktısı (Kazanımlar)
Süreç Bileşenleri
Alan Becerileri
Naive Bayes ile e-posta spam tespiti yapmak
Kümeleme algoritmalarıyla müşteri segmentasyonu yapan uygulama geliştirmek
Birliktelik kuralları ile market sepeti analizi uygulaması yapmak sklearn kütüphanesindeki "Diabetes" veri setini kullanarak, bir kişinin sağlık verilerine (yaş, vücut kitle endeksi, kan şekeri vb.) dayalı olarak regresyon yöntemi ile diyabet riskini tahmin etme uygulaması geliştirmek
Iris veri setini kullanarak çiçek türlerini (Setosa, Versicolor, Virginica) tahmin eden XGBoost algoritması ile sınıflandırma modeli geliştirmek
MNIST veri setini kullanarak el yazısı rakamlarını (0-9) Naive Bayes (Naive Bayes Classifier) algoritması ile sınıflandıran modeli oluşturma uygulaması yapmak
Titanic veri seti ile yolcuların hayatta kalma durumunu tahmin eden bir AdaBoost algoritması ile modeli geliştirmek
Breast Cancer Wisconsin veri setini kullanarak k-means kümeleme yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
Breast Cancer Wisconsin veri setini kullanarak DBSCAN yöntemleriyle tümörleri benzer özelliklerine göre gruplandırmak
IMDB Reviews veri seti ile olumlu / olumsuz yorumları sınıflandıran bir model oluşturmak speech_recognition kütüphanesi ile konuşmayı metne çeviren bir uygulama geliştirmek
Hastalık belirtilerine göre makine öğrenmesi kullanarak teşhis yapan bir uygulama geliştirmek
Fashion MNIST veri setini kullanarak kıyafetleri sınıflandıran bir uygulama geliştirmek
California Housing veri setini kullanarak tahmini satış fiyatlarını hesaplama uygulaması geliştirmek
EKG sinyallerini kullanarak normal ve anormal kalp ritimlerini ayırt eden bir makine öğrenmesi modeli geliştirmek
Sosyal-Duygusal Becerileri
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Okur Yazarlık Becerileri
OB2. Dijital Okuryazarlık
Değerler
D8. Mahremiyet
Ölçme
Yapay zekâya giriş için performans değerlendirmesi, akran değerlendirmesi ve gözlem formu kullanılabilir. Yapay zekânın temel özellikleri, tarihsel gelişimi ve alt dalları için bilgi değerlendirme testleri uygulanabilir.
Yapay zekânın etik ve sosyal etkileri konusunda senaryo tabanlı değerlendirme, tartışma grupları ve etik vaka analizleri ile değerlendirme yapılabilir. Yapay zekânın yasal ve etik boyutları ile veri gizliliği üzerindeki etkileri için öz değerlendirme formları kullanılabilir.
Yapay zekâ uygulama geliştirme araçları için uygulamalı testler, karşılaştırmalı analizler ve proje temelli değerlendirme yöntemleri kullanılabilir. Python, R gibi yapay zekâ dilleri ile uygulama geliştirme becerileri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ öğrenme türleri için uygulamalı testler, senaryo tabanlı değerlendirme ve performans değerlendirmesi yapılabilir. Öğrencilerin denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenmeyi anlamaları ve kullanabilmeleri için uygulama bazlı değerlendirme yöntemleri kullanılabilir.
Yapay zekâ yöntemleri (regresyon, sınıflandırma, kümeleme, birliktelik kuralları) için uygulama testleri, karşılaştırmalı analizler ve proje bazlı değerlendirme kullanılabilir. Öğrencilerin farklı yapay zekâ yöntemlerini problem çözme süreçlerinde kullanabilmeleri dereceli puanlama anahtarı ile değerlendirilebilir.
Yapay zekâ uygulamaları için vaka analizleri, senaryo bazlı değerlendirme ve proje tabanlı uygulamalar kullanılabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikayelerini analiz etmeleri ve kendi projelerini geliştirmeleri beklenir.
Ölçme süreci, öğrencilerin yapay zekâ teorik bilgilerini, uygulama becerilerini ve etik farkındalıklarını değerlendirmek için yapılandırılacaktır. Değerlendirme sürecinde öğrencilerin ilerlemesini takip etmek için geri bildirim mekanizmaları kullanılacaktır.
Ünite/Tema/Öğrenme Alanı
Okul Temelli Planlama / Etkinlik Haftası