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; Yapay Zekâda Veri İşleme Kütüphaneleri; Makine Öğrenmesi Kütüphaneleri

Öğrenme Çıktısı Kodları

YZT.1

Öğrenme Çıktısı (Kazanımlar)

YZT.1 Yapay zekânın temel özelliklerini kullanabilme

Süreç Bileşenleri

    a) Yapay zekânın temel özelliklerini açıklar.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâya Giriş: Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını kapsayan bir sunum hazırlamak
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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 dâhil etme uygulaması yapmak
TensorFlow kütüphanesini programa dâhil etme uygulaması yapmak
PyTorch kütüphanesini programa dâhil etme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

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; Yapay Zekâda Veri İşleme Kütüphaneleri; Makine Öğrenmesi Kütüphaneleri

Öğrenme Çıktısı Kodları

YZT.1

Öğrenme Çıktısı (Kazanımlar)

YZT.1 Yapay zekânın temel özelliklerini kullanabilme

Süreç Bileşenleri

    a) Yapay zekânın temel özelliklerini açıklar.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâya Giriş: Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını kapsayan bir sunum hazırlamak
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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 dâhil etme uygulaması yapmak
TensorFlow kütüphanesini programa dâhil etme uygulaması yapmak
PyTorch kütüphanesini programa dâhil etme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Ders Tarihi
28 Eylül-02 Ekim
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay Zekânın Temel Özellikleri; Yapay Zekâda Veri İşleme Kütüphaneleri; Makine Öğrenmesi Kütüphaneleri

Öğrenme Çıktısı Kodları

YZT.1

Öğrenme Çıktısı (Kazanımlar)

YZT.1 Yapay zekânın temel özelliklerini kullanabilme

Süreç Bileşenleri

    b) Yapay zekâda veri işleme kütüphanelerini kullanır.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâya Giriş: Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını kapsayan bir sunum hazırlamak
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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 dâhil etme uygulaması yapmak
TensorFlow kütüphanesini programa dâhil etme uygulaması yapmak
PyTorch kütüphanesini programa dâhil etme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

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 İşleme Kütüphaneleri; Makine Öğrenmesi Kütüphaneleri

Öğrenme Çıktısı Kodları

YZT.1

Öğrenme Çıktısı (Kazanımlar)

YZT.1 Yapay zekânın temel özelliklerini kullanabilme

Süreç Bileşenleri

    b) Yapay zekâda veri işleme kütüphanelerini kullanır.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâya Giriş: Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını kapsayan bir sunum hazırlamak
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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 dâhil etme uygulaması yapmak
TensorFlow kütüphanesini programa dâhil etme uygulaması yapmak
PyTorch kütüphanesini programa dâhil etme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay Zekânın Temel Özellikleri; Yapay Zekâda Veri İşleme Kütüphaneleri; Makine Öğrenmesi Kütüphaneleri

Öğrenme Çıktısı Kodları

YZT.1

Öğrenme Çıktısı (Kazanımlar)

YZT.1 Yapay zekânın temel özelliklerini kullanabilme

Süreç Bileşenleri

    c) Makine öğrenmesi kütüphanelerini programlara dâhil eder.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâya Giriş: Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını kapsayan bir sunum hazırlamak
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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 dâhil etme uygulaması yapmak
TensorFlow kütüphanesini programa dâhil etme uygulaması yapmak
PyTorch kütüphanesini programa dâhil etme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâya Giriş

Konu (İçerik Çerçevesi)

Yapay Zekânın Temel Özellikleri; Yapay Zekâda Veri İşleme Kütüphaneleri; Makine Öğrenmesi Kütüphaneleri

Öğrenme Çıktısı Kodları

YZT.1

Öğrenme Çıktısı (Kazanımlar)

YZT.1 Yapay zekânın temel özelliklerini kullanabilme

Süreç Bileşenleri

    c) Makine öğrenmesi kütüphanelerini programlara dâhil eder.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâya Giriş: Yapay zekânın tarihsel gelişimi, temel özellikleri ve alt dallarını kapsayan bir sunum hazırlamak
Makine öğrenimi, derin öğrenme, sinir ağları, büyük veri, doğal dil işleme gibi temel kavramları açıklayan bir rapor yazmak
Yapay zekânın sağlık, finans, ulaşım, eğitim gibi alanlardaki örneklerinin araştırılıp sunumunu yapmak
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 dâhil etme uygulaması yapmak
TensorFlow kütüphanesini programa dâhil etme uygulaması yapmak
PyTorch kütüphanesini programa dâhil etme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi
Ders Tarihi
26-30 Ekim
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Etik ve Sosyal Etkiler

Konu (İçerik Çerçevesi)

Yapay Zekânın Etik Boyutları; Yapay Zekânın Yasal Boyutları

Öğrenme Çıktısı Kodları

YZT.2

Öğrenme Çıktısı (Kazanımlar)

YZT.2 Yapay zekânın etik ve yasal etkilerini açıklayabilme

Süreç Bileşenleri

    a) Yapay zekânın etik boyutlarını açıklar.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Etik ve Sosyal Etkiler: Yapay zekânın temel etik ilkelerini ve bu ilkelerle ilgili ortaya çıkabilecek etik sorunları örneklerle açıklama sunusu yapmak
Yapay zekânın veri gizliliği ve güvenliği üzerindeki potansiyel olumsuz etkilerini ve bu etkilere karşı alınabilecek önlemleri açıklayan bir sunu hazırlamak
Yapay zekâyla ilgili yasal düzenlemelerin gerekliliğini ve bu düzenlemelerin odaklandığı temel alanları açıklayan bir rapor hazırlamak
Ulusal veya uluslararası alanda yürürlükte olan yahut taslak hâlindeki güncel yapay zekâ yasal düzenlemelerinden en az birini araştırmak ve bu düzenlemenin temel özelliklerini, amaçlarını ve potansiyel etkilerini sunmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
D8.2. Kişisel bilgilerin gizliliğini korumak
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi

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; Yapay Zekânın Yasal Boyutları

Öğrenme Çıktısı Kodları

YZT.2

Öğrenme Çıktısı (Kazanımlar)

YZT.2 Yapay zekânın etik ve yasal etkilerini açıklayabilme

Süreç Bileşenleri

    a) Yapay zekânın etik boyutlarını açıklar.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Etik ve Sosyal Etkiler: Yapay zekânın temel etik ilkelerini ve bu ilkelerle ilgili ortaya çıkabilecek etik sorunları örneklerle açıklama sunusu yapmak
Yapay zekânın veri gizliliği ve güvenliği üzerindeki potansiyel olumsuz etkilerini ve bu etkilere karşı alınabilecek önlemleri açıklayan bir sunu hazırlamak
Yapay zekâyla ilgili yasal düzenlemelerin gerekliliğini ve bu düzenlemelerin odaklandığı temel alanları açıklayan bir rapor hazırlamak
Ulusal veya uluslararası alanda yürürlükte olan yahut taslak hâlindeki güncel yapay zekâ yasal düzenlemelerinden en az birini araştırmak ve bu düzenlemenin temel özelliklerini, amaçlarını ve potansiyel etkilerini sunmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
D8.2. Kişisel bilgilerin gizliliğini korumak
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi

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 Kodları

YZT.2

Öğrenme Çıktısı (Kazanımlar)

1. Dönem 1. Sınav
YZT.2 Yapay zekânın etik ve yasal etkilerini açıklayabilme

Süreç Bileşenleri

    b) Yapay zekâyla ilgili yasal düzenlemeleri açıklar.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Etik ve Sosyal Etkiler: Yapay zekânın temel etik ilkelerini ve bu ilkelerle ilgili ortaya çıkabilecek etik sorunları örneklerle açıklama sunusu yapmak
Yapay zekânın veri gizliliği ve güvenliği üzerindeki potansiyel olumsuz etkilerini ve bu etkilere karşı alınabilecek önlemleri açıklayan bir sunu hazırlamak
Yapay zekâyla ilgili yasal düzenlemelerin gerekliliğini ve bu düzenlemelerin odaklandığı temel alanları açıklayan bir rapor hazırlamak
Ulusal veya uluslararası alanda yürürlükte olan yahut taslak hâlindeki güncel yapay zekâ yasal düzenlemelerinden en az birini araştırmak ve bu düzenlemenin temel özelliklerini, amaçlarını ve potansiyel etkilerini sunmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
D8.2. Kişisel bilgilerin gizliliğini korumak
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi

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

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 Etik Boyutları; Yapay Zekânın Yasal Boyutları

Öğrenme Çıktısı Kodları

YZT.2

Öğrenme Çıktısı (Kazanımlar)

YZT.2 Yapay zekânın etik ve yasal etkilerini açıklayabilme

Süreç Bileşenleri

    b) Yapay zekâyla ilgili yasal düzenlemeleri açıklar.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Etik ve Sosyal Etkiler: Yapay zekânın temel etik ilkelerini ve bu ilkelerle ilgili ortaya çıkabilecek etik sorunları örneklerle açıklama sunusu yapmak
Yapay zekânın veri gizliliği ve güvenliği üzerindeki potansiyel olumsuz etkilerini ve bu etkilere karşı alınabilecek önlemleri açıklayan bir sunu hazırlamak
Yapay zekâyla ilgili yasal düzenlemelerin gerekliliğini ve bu düzenlemelerin odaklandığı temel alanları açıklayan bir rapor hazırlamak
Ulusal veya uluslararası alanda yürürlükte olan yahut taslak hâlindeki güncel yapay zekâ yasal düzenlemelerinden en az birini araştırmak ve bu düzenlemenin temel özelliklerini, amaçlarını ve potansiyel etkilerini sunmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
D5.1. İnsana ve topluma değer vermek
D8.2. Kişisel bilgilerin gizliliğini korumak
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi

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; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    a) Yapay zekâ öğrenme türlerini karşılaştırır.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    a) Yapay zekâ öğrenme türlerini karşılaştırır.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    a) Yapay zekâ öğrenme türlerini karşılaştırır.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    a) Yapay zekâ öğrenme türlerini karşılaştırır.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
28 Aralık-01 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay Zekâ Öğrenme Türlerini Karşılaştırma; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    b) Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
04-08 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay Zekâ Öğrenme Türlerini Karşılaştırma; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

1. Dönem 2. Sınav
YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    b) Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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 Karşılaştırma; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    b) Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
18-22 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâda Öğrenme Türleri

Konu (İçerik Çerçevesi)

Yapay Zekâ Öğrenme Türlerini Karşılaştırma; Yapay Zekâ Öğrenme Türlerini Uygulama

Öğrenme Çıktısı Kodları

YZT.3

Öğrenme Çıktısı (Kazanımlar)

YZT.3 Yapay zekâda öğrenme türlerini uygulayabilme

Süreç Bileşenleri

    b) Probleme göre en uygun yapay zekâ öğrenme türünü uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâda Öğrenme Türleri: Yapay zekâ öğrenme türlerini karşılaştıran dijital bir sunu hazırlamak
Verilen etiketli bir veri seti üzerinde denetimli öğrenme modelini uygulaması, eğitmesi ve performansını değerlendirmesi uygulaması yapmak
Verilen etiketsiz bir veri seti üzerinde bir denetimsiz öğrenme algoritmasını uygulamak
Denetimsiz öğrenme algoritması sonuçlarınıgörselleştirilip yorumlamak
Kısmen etiketli bir veri seti üzerinde bir yarı denetimli öğrenme yaklaşımını uygulamak
Yarı denetimli öğrenmede etiketsiz verinin model üzerindeki etkisini gözlemlemek
Pekiştirmeli öğrenme uygulaması yapmak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5. Sınıflandırma Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
25-29 Ocak
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yarıyıl Tatili

Konu (İçerik Çerçevesi)

Yarıyıl Tatili

Öğrenme Çıktısı (Kazanımlar)

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
Ders Tarihi
08-12 Şubat
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    a) Sayısal veriler üzerinde uygun regresyon yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
15-19 Şubat
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    a) Sayısal veriler üzerinde uygun regresyon yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
22-26 Şubat
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    a) Sayısal veriler üzerinde uygun regresyon yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    b) Veri kümelerini sınıflandırarak anlamlı sonuçlar elde eder.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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

Etkinlik

→ Dünya Kadınlar Günü, Bilim ve Teknoloji Haftası, Ramazan Bayramı, 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)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    b) Veri kümelerini sınıflandırarak anlamlı sonuçlar elde eder.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    b) Veri kümelerini sınıflandırarak anlamlı sonuçlar elde eder.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    c) Veriler üzerinde uygun kümeleme yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

2. Dönem 1. Sınav
YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    c) Veriler üzerinde uygun kümeleme yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    c) Veriler üzerinde uygun kümeleme yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    ç) Veriler üzerinde uygun birliktelik kuralları yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

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)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    ç) Veriler üzerinde uygun birliktelik kuralları yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
03-07 Mayıs
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    ç) Veriler üzerinde uygun birliktelik kuralları yöntemini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    d) Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

Etkinlik

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

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    d) Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma

Etkinlik

→ Kurban Bayramı, 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)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    d) Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
31 Mayıs-04 Haziran
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    d) Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
07-11 Haziran
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

2. Dönem 2. Sınav
YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    d) Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
Ders Tarihi
14-18 Haziran
Ders Saati
3

Ünite/Tema/Öğrenme Alanı

Yapay Zekâ Yöntemleri

Konu (İçerik Çerçevesi)

Regresyon Yöntemleri; Sınıflandırma; Kümeleme; Birliktelik Kuralları; Vaka Çalışmaları

Öğrenme Çıktısı Kodları

YZT.4

Öğrenme Çıktısı (Kazanımlar)

YZT.4 Yapay zekâ yöntemlerini kullanabilme

Süreç Bileşenleri

    d) Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygular.

Sosyal-Duygusal Becerileri

SDB1.2. Kendini Düzenleme (Öz Düzenleme Becerisi)
SDB2.1. İletişim Becerisi
SDB3.1. Uyum Becerisi

Okur Yazarlık Becerileri

OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık

Değerler

D5. Duyarlılık
D8. Mahremiyet

Ölçme

Bu derste ölçme ve değerlendirme faaliyetleri; süreç odaklı (biçimlendirici) ve sonuç odaklı (düzey belirleyici) yaklaşımlarla, öğrencilerin bilgi, beceri, eğilim ve değer kazanımlarını bütüncül olarak ele alacak şekilde yapılandırılmıştır. Öğrencilerin yapay zekânın tarihsel gelişimi ve temel kavramları üzerine hazırladıkları dijital sunumlar, çoklu ortam sunum becerisi kriterlerine göre dereceli puanlama anahtarı (Rubrik) ile değerlendirilebilir. Yapay zekâ alt dallarını eşleştirme etkinlikleri ve Python geliştirme ortamının (Anaconda, Jupyter vb.) kurulumu ile kütüphanelerin (NumPy, Pandas, Scikit-learn) içe aktarılması gibi temel teknik beceriler kontrol listesi (yapıldı/yapılmadı) ile takip edilebilir. Veri setleri üzerinde Pandas ve NumPy kullanarak yapılan veri temizleme, düzenleme ve aritmetiksel işlem görevleri, kodun doğruluğu ve işlevselliği esas alınarak dereceli puanlama anahtarı ile puanlanabilir. Etik vaka analizleri ve sınıf içi tartışmalarda öğrencilerin Gizlilik, adalet ve şeffaflık ilkelerine yönelik farkındalıkları Gözlem Formu ile değerlendirilebilir. Yasal düzenlemeler (KVKK, GDPR) üzerine hazırlanan araştırma raporları; bilginin doğruluğu, kaynak kullanımı ve analiz derinliği kriterlerine göre dereceli puanlama anahtarı ile değerlendirilebilir. Öğrencilerin süreç içerisindeki katılımları ve grup çalışmaları akran değerlendirme formu ile desteklenebilir. Yapay zekâ öğrenme türleri (denetimli, denetimsiz, yarı denetimli, pekiştirmeli öğrenme) için küçük ölçekli performans görevleri verilebilir. Öğrencilerin etiketli veri setleri üzerinde sınıflandırma veya regresyon modelleri kurmaları, modelin eğitim ve test süreçlerini yönetmeleri ve başarı metriklerini (R-kare, MSE, Doğruluk Oranı) yorumlamaları dereceli puanlama anahtarı ile değerlendirilebilir. Etiketsiz veriler üzerinde Kümeleme (K-Means vb.) veya Birliktelik Kuralları (Apriori) algoritmalarını uygulayarak elde ettikleri desenleri görselleştirmeleri ve yorumlamaları performans değerlendirme ölçeği ile ölçülebilir. Sağlık, finans veya perakende gibi sektörlerdeki bir problemi yapay zekâ ile çözmeye yönelik geliştirdikleri öneriler ve senaryo analizleri Dereceli Puanlama Anahtarı ile değerlendirilebilir. Öğrencilerin kodlama sırasındaki hata ayıklama stratejileri ve derse katılımları gözlem formu ile izlenebilir.Öğrenme süreci sonunda öğrencilerin kendi gelişimlerini fark etmeleri amacıyla öz değerlendirme formu uygulanabilir. Öğrencilerin güncel yapay zekâ uygulamalarını incelemeleri, sektördeki başarı hikâyelerini analiz etmeleri ve kendi projelerini geliştirmeleri istenebilir; bu çalışmalar gözlem formu ile değerlendirilebilir.

Uygulama Faaliyetleri / Temrinler

Yapay Zekâ Yöntemleri: Verilen sayısal bir veri seti üzerinde uygun bir regresyon yöntemini uygulamak
Verilen bir veri kümesiüzerindesınıflandırma uygulaması yapmak
K-Means kümeleme algoritmasıyla uygulaması yapmak
Birliktelik kuralları analizini uygulamak
Vaka çalışmaları üzerinden yapay zekâ yöntemlerini uygulamak
İlişkili Bileşenler
OB1. Bilgi Okuryazarlığı
OB2. Dijital Okuryazarlık
SDB3.1. Uyum Becerisi
E3.6. Analitiklik
E3.7. Sistematiklik
E3.10. Eleştirel Bakma
KB2.4. Çözümleme Becerisi
KB2.5.Sınıflandırm a Becerisi
KB2.13. Yapılandırma Becerisi
KB2.16. Muhakeme (Akıl Yürütme) Becerisi
MAB5.1. Matematiksel Araç ve Teknolojiden Yararlanma
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

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.