Logo Logo

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.

Ders Tarihi
14-18 Eylül
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay zekânın temel özellikleri

Öğrenme Çıktısı (Kazanımlar)

Yapay zekânın temel özelliklerini açıklar.

Süreç Bileşenleri

Yapay zekânın tarihsel gelişimi açıklanır.
Yapay zekâ ve temel özellikleri açıklanır.

Alan Becerileri

Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ İlköğretim Haftası, Öğrenciler Günü
Ders Tarihi
21-25 Eylül
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay zekânın temel özellikleri

Öğrenme Çıktısı (Kazanımlar)

Yapay zekânın temel özelliklerini açıklar.

Süreç Bileşenleri

Yapay zekânın alt dalları açıklanır.

Alan Becerileri

Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
28 Eylül-02 Ekim
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay zekânın temel özellikleri

Öğrenme Çıktısı (Kazanımlar)

Yapay zekânın temel özelliklerini açıklar.

Süreç Bileşenleri

Yapay zekâ kullanım alanlarına yönelik örnekler verilir.

Alan Becerileri

Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Dünya Okul Sütü Günü, Disleksi Haftası, Dünya Disleksi Günü
Ders Tarihi
05-09 Ekim
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay zekânın temel özellikleri / Yapay zekâda veri işleme kütüphaneleri

Öğrenme Çıktısı (Kazanımlar)

Yapay zekânın temel özelliklerini açıklar.
Yapay zekâda veri işleme kütüphanelerini kullanır.

Süreç Bileşenleri

Yapay zekâ geliştirme dilleri (Python, R, vb.) açıklanır.
Yapay zekâda veri işleme kütüphaneleri (Numpy, pandas vb.) açıklanır.

Alan Becerileri

Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Dünya Çocuk Günü
Ders Tarihi
12-16 Ekim
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay zekâda veri işleme kütüphaneleri

Öğrenme Çıktısı (Kazanımlar)

Yapay zekâda veri işleme kütüphanelerini kullanır.

Süreç Bileşenleri

Yapay zekâda veri işleme kütüphaneleri uygulaması yaptırır.

Alan Becerileri

Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Dünya Afet Risklerinin Azaltılması Günü
Ders Tarihi
19-23 Ekim
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Makine öğrenmesi kütüphaneleri

Öğrenme Çıktısı (Kazanımlar)

Makine öğrenmesi kütüphanelerini programlara dahil eder.

Süreç Bileşenleri

Makine öğrenmesi kütüphaneleri (sckitlearn, Tensorflow, Pytorch vb.) açıklanır.

Alan Becerileri

Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
26-30 Ekim
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Makine öğrenmesi kütüphaneleri

Öğrenme Çıktısı (Kazanımlar)

Makine öğrenmesi kütüphanelerini programlara dahil eder.

Süreç Bileşenleri

Makine öğrenmesi kütüphanelerini programa dahil etme uygulaması yaptırır.

Alan Becerileri

Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Cumhuriyet Bayramı, Kızılay Haftası
Ders Tarihi
02-06 Kasım
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Etik ve Sosyal Etkiler

Konu (İçerik Çerçevesi)

Yapay zekânın etik boyutları

Öğrenme Çıktısı (Kazanımlar)

Yapay zekânın etik boyutlarını açıklar.

Süreç Bileşenleri

Yapay zekânın etik boyutları açıklanır.
Yapay zekânın veri gizliliği ve güvenliği üzerindeki etkileri açıklanır.

Alan Becerileri

Otonom silahlar, yüz tanıma sistemleri, veri gizliliği, iş kaybı gibi konularda bir etik tartışma yapmak.
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Kızılay Haftası, Lösemili Çocuklar Haftası
Ders Tarihi
09-13 Kasım
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Etik ve Sosyal Etkiler

Konu (İçerik Çerçevesi)

Yapay zekânın etik boyutları / Yapay zekânın yasal boyutları

Öğrenme Çıktısı (Kazanımlar)

1. Dönem 1. Sınav
Yapay zekânın etik boyutlarını açıklar.
Yapay zekâyla ilgili yasal düzenlemeleri açıklar.

Süreç Bileşenleri

Yapay zekânın iş gücü üzerindeki etkileri açıklanır.
Yapay zekâyla ilgili yasal düzenlemeleri açıklanır.

Alan Becerileri

Otonom silahlar, yüz tanıma sistemleri, veri gizliliği, iş kaybı gibi konularda bir etik tartışma yapmak.
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Atatürk Haftası, Atatürk'ü Anma Günü, Afet Eğitimi Hazırlık Günü
Ders Tarihi
16-20 Kasım
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

  1. Dönem Ara Tatili

Konu (İçerik Çerçevesi)

1. Dönem Ara Tatili

Öğrenme Çıktısı (Kazanımlar)

1. Dönem Ara Tatili

Süreç Bileşenleri

1. Dönem Ara Tatili

Etkinlik

→ Dünya Çocuk Hakları Günü
Ders Tarihi
23-27 Kasım
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Etik ve Sosyal Etkiler

Konu (İçerik Çerçevesi)

Yapay zekânın yasal boyutları

Öğrenme Çıktısı (Kazanımlar)

Yapay zekâyla ilgili yasal düzenlemeleri açıklar.

Süreç Bileşenleri

Ulusal ve uluslararası güncel yapay zekâ yasal düzenlemeleri hakkında araştırma yaptırır.

Alan Becerileri

Otonom silahlar, yüz tanıma sistemleri, veri gizliliği, iş kaybı gibi konularda bir etik tartışma yapmak.
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Ağız ve Diş Sağlığı Haftası, Öğretmenler Günü
Ders Tarihi
30 Kasım-04 Aralık
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini karşılaştırma

Öğrenme Çıktısı (Kazanımlar)

Yapay zekâ öğrenme türlerini karşılaştırır.

Süreç Bileşenleri

Denetimli öğrenme açıklanır.
Denetimsiz öğrenme açıklanır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Dünya Engelliler Günü
Ders Tarihi
07-11 Aralık
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini karşılaştırma

Öğrenme Çıktısı (Kazanımlar)

Yapay zekâ öğrenme türlerini karşılaştırır.

Süreç Bileşenleri

Yarı denetimli öğrenme açıklanır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ İnsan Hakları ve Demokrasi Haftası
Ders Tarihi
14-18 Aralık
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini karşılaştırma

Öğrenme Çıktısı (Kazanımlar)

Yapay zekâ öğrenme türlerini karşılaştırır.

Süreç Bileşenleri

Pekiştirmeli öğrenme açıklanır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Tutum, Yatırım ve Türk Malları Haftası
Ders Tarihi
21-25 Aralık
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini karşılaştırma

Öğrenme Çıktısı (Kazanımlar)

Yapay zekâ öğrenme türlerini karşılaştırır.

Süreç Bileşenleri

Yapay zekâ türleri karşılaştırma uygulaması yaptırır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
28 Aralık-01 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini uygulama

Öğrenme Çıktısı (Kazanımlar)

Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Süreç Bileşenleri

Denetimli öğrenme uygulaması yaptırır.
Denetimsiz öğrenme uygulaması yaptırır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
04-08 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini uygulama

Öğrenme Çıktısı (Kazanımlar)

1. Dönem 2. Sınav
Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Süreç Bileşenleri

Yarı denetimli öğrenme uygulaması yaptırır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Enerji Tasarrufu Haftası
Ders Tarihi
11-15 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini uygulama

Öğrenme Çıktısı (Kazanımlar)

Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Süreç Bileşenleri

Pekiştirmeli öğrenme uygulaması yaptırır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
18-22 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay zekâ öğrenme türlerini uygulama

Öğrenme Çıktısı (Kazanımlar)

Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Süreç Bileşenleri

Probleme göre en uygun yapay zekâ öğrenme türünü seçme uygulaması yaptırır.

Alan Becerileri

MNIST veri setini kullanarak denetimli öğrenme ile el yazısı rakam tanıma uygulaması geliştirmek
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
25-29 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yarıyıl Tatili

Konu (İçerik Çerçevesi)

Yarıyıl Tatili

Öğrenme Çıktısı (Kazanımlar)

Yarıyıl Tatili

Süreç Bileşenleri

Yarıyıl Tatili
Ders Tarihi
01-05 Şubat
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yarıyıl Tatili

Konu (İçerik Çerçevesi)

Yarıyıl Tatili

Öğrenme Çıktısı (Kazanımlar)

Yarıyıl Tatili

Süreç Bileşenleri

Yarıyıl Tatili
Ders Tarihi
08-12 Şubat
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon yöntemleri

Öğrenme Çıktısı (Kazanımlar)

Sayısal veriler üzerinde uygun regresyon yöntemini uygular.

Süreç Bileşenleri

Regresyon kavramı açıklanır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
15-19 Şubat
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon yöntemleri

Öğrenme Çıktısı (Kazanımlar)

Sayısal veriler üzerinde uygun regresyon yöntemini uygular.

Süreç Bileşenleri

Regresyon uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
22-26 Şubat
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Sınıflandırma

Öğrenme Çıktısı (Kazanımlar)

Veri kümelerini sınıflandırarak anlamlı sonuçlar elde eder.

Süreç Bileşenleri

Sınıflandırma kavramı açıklanır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Vergi Haftası
Ders Tarihi
01-05 Mart
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Sınıflandırma

Öğrenme Çıktısı (Kazanımlar)

Veri kümelerini sınıflandırarak anlamlı sonuçlar elde eder.

Süreç Bileşenleri

Sınıflandırma uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Yeşilay Haftası - Deprem Haftası
Ders Tarihi
08-12 Mart
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

  1. Dönem Ara Tatili

Konu (İçerik Çerçevesi)

2. Dönem Ara Tatili

Öğrenme Çıktısı (Kazanımlar)

2. Dönem Ara Tatili

Süreç Bileşenleri

2. Dönem Ara Tatili

Etkinlik

→ Dünya Kadınlar Günü, Bilim ve Teknoloji Haftası, İstiklâl Marşı'nın Kabulü ve Mehmet Akif Ersoy'u Anma Günü
Ders Tarihi
15-19 Mart
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Kümeleme

Öğrenme Çıktısı (Kazanımlar)

Veriler üzerinde uygun kümeleme yöntemini uygular.

Süreç Bileşenleri

Kümeleme kavramı açıklanır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ 18 Mart Çanakkale Zaferi ve Şehitleri Anma Günü, Yaşlılara Saygı Haftası
Ders Tarihi
22-26 Mart
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Kümeleme

Öğrenme Çıktısı (Kazanımlar)

Veriler üzerinde uygun kümeleme yöntemini uygular.

Süreç Bileşenleri

Kümeleme uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Yaşlılara Saygı Haftası, Orman Haftası, Dünya Su Günü, Dünya Meteoroloji Günü
Ders Tarihi
29 Mart-02 Nisan
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Birliktelik Kuralları

Öğrenme Çıktısı (Kazanımlar)

Veriler üzerinde uygun birliktelik kuralları yöntemini uygular.

Süreç Bileşenleri

Birliktelik Kuralları kavramı açıklanır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Kütüphaneler Haftası, Kanser Haftası
Ders Tarihi
05-09 Nisan
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Birliktelik Kuralları

Öğrenme Çıktısı (Kazanımlar)

2. Dönem 1. Sınav
Veriler üzerinde uygun birliktelik kuralları yöntemini uygular.

Süreç Bileşenleri

Birliktelik Kuralları uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Kanser Haftası, Dünya Sağlık Günü
Ders Tarihi
12-16 Nisan
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Yapay zekânın farklı alanlardaki uygulamaları açıklanır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Turizm Haftası
Ders Tarihi
19-23 Nisan
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Başarı hikâyeleri ve vaka çalışmalarını örnek çalışmalarla açıklanır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Turizm Haftası, Ulusal Egemenlik ve Çocuk Bayramı
Ders Tarihi
26-30 Nisan
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Güncel yapay zekâ uygulamaları araştırması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
03-07 Mayıs
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Örnek vakalar üzerinde yapay zekâ uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Trafik ve İlkyardım Haftası
Ders Tarihi
10-14 Mayıs
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Örnek vakalar üzerinde yapay zekâ uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Engelliler Haftası
Ders Tarihi
17-21 Mayıs
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Örnek vakalar üzerinde yapay zekâ uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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

→ Atatürk'ü Anma ve Gençlik ve Spor Bayramı
Ders Tarihi
24-28 Mayıs
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Örnek vakalar üzerinde yapay zekâ uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
31 Mayıs-04 Haziran
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Örnek vakalar üzerinde yapay zekâ uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
07-11 Haziran
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

2. Dönem 2. Sınav
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Örnek vakalar üzerinde yapay zekâ uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
14-18 Haziran
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Vaka çalışmaları

Öğrenme Çıktısı (Kazanımlar)

Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Süreç Bileşenleri

Örnek vakalar üzerinde yapay zekâ uygulaması yaptırır.

Alan Becerileri

Doğrusal regresyon ile ev fiyat tahmini yapmak
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

SDB1.2. Kendini Düzenleme
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Yapay zekâ kavramları, etik boyutları, öğrenme türleri ve uygulama geliştirme araçları konularındaki becerileri değerlendirmek için performans çalışmaları yapılabilir.
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.
Ders Tarihi
21-25 Haziran
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Okul Temelli Planlama / Etkinlik Haftası

Konu (İçerik Çerçevesi)

Okul Temelli Planlama / Etkinlik Haftası

Öğrenme Çıktısı (Kazanımlar)

Okul Temelli Planlama / Etkinlik Haftası

Süreç Bileşenleri

Etkinlik Haftası

Okul Temelli Planlama

Okul temelli planlama; zümre öğretmenler kurulu tarafından ders kapsamında gerçekleştirilmesi kararlaştırılan araştırma ve gözlem, sosyal etkinlikler, proje çalışmaları, yerel çalışmalar, okuma çalışmaları vb. çalışmaları kapsamaktadır. Çalışmalar için ayrılan süre eğitim-öğretim yılı içinde planlanır ve yıllık planlarda ifade edilir.

Etkinlik

→ Etkinlik Haftası

Footer Reklam Alanı Müsait

Sayfanın en altında görünürlük kazanın!

Reklam Verin

Bize Destek Olun

Premium ile hem siz kazanın, hem biz büyüyelim

DefterDoldur tamamen ücretsizdir. Premium üyelik daha yüksek kullanım kapasiteleri, reklamsız deneyim ve gelişmiş yapay zekâ desteği sunarken aynı zamanda projemizin sürdürülebilir olmasını sağlar.

Abonelik Paketlerini İncele

Giriş Gerekli

Değerli Öğretmenim,

Sitemizin bu bölümü kayıtlı kullanıcılar içindir.
Üye değilseniz, hemen üye olarak tüm özelliklere erişebilirsiniz.