| Course Objectives: |
Bu ders, kodlama bilmeyen MYO öğrencilerine yapay zekânın tarihsel gelişimini, güncel yaklaşım ve uygulamalarını, yakın gelecekteki yönelimlerini kavramsal düzeyde öğretir. Veri okuryazarlığı, etik, mahremiyet, karar verme mantığı, makine öğrenmesi, derin öğrenme ve üretken yapay zekâ başlıklarında Türkiye ve dünya vakaları incelenir. |
| Course Objective: |
- Kodlama bilmeyen MYO öğrencilerinin yapay zekânın **dünü–bugünü–yarınını** kavramsal olarak anlamasını sağlamak.
- Yapay zekâ sistemlerinin **hangi mantıkla “karar verdiğini”** (veri–model–öğrenme–çıkarım–değerlendirme) sezgisel düzeyde kavratmak.
- Öğrencilerin **veri okuryazarlığı, doğrulama, yanlılık, risk ve etik** farkındalığını geliştirmek.
- Türkiye ve dünyadan örneklerle, yapay zekânın **sektörel etkilerini** (sağlık, finans, üretim, kamu vb.) analiz edebilme becerisi kazandırmak.
- AI araçlarını **destekleyici** kullanırken öğrencinin **özgün katkısını** zorunlu kılan ölçme-değerlendirme tasarımıyla sorumlu kullanım alışkanlığı kazandırmak.
### |
| Mode of Delivery: |
|
|
|
|
|
| Knowledge
(Described as Theoritical and/or Factual Knowledge.)
|
1) Dersi başarıyla tamamlayan öğrenci:
1. Yapay zekâ, veri, model, öğrenme, çıkarım, değerlendirme kavramlarını tanımlar ve ilişkilerini basit bir şema ile gösterir.
2. Yapay zekânın tarihsel evrimini (kural tabanlı → makine öğrenmesi → derin öğrenme → üretken AI) örneklerle açıklar.
3. Kural tabanlı sistemler, uzman sistemler ve öğrenen sistemler arasındaki farkları kullanım senaryoları üzerinden ayırt eder.
4. Veri okuryazarlığı ilkelerini (veri türleri, temsil, ölçüm hatası, veri kalitesi) günlük bir problem üzerinde kontrol listesiyle uygular.
5. Belirsizlik, olasılık sezgisi ve risk kavramlarını AI kararları bağlamında yorumlar; yanlış/yanlı karar risklerini örneklendirir.
6. Makine öğrenmesinin temel türlerini (denetimli/denetimsiz) ve temel risklerini (aşırı uyum, veri kayması) basit örneklerle açıklar.
7. Bir AI çıktısını doğrulama adımlarını (kaynak kontrolü, çapraz doğrulama, tutarlılık testi) kullanarak güvenilirlik açısından değerlendirir.
8. Üretken AI/LLM’lerin güçlü ve zayıf yönlerini (halüsinasyon, taraflılık, mahremiyet) örneklerle karşılaştırır.
9. NLP ve bilgisayarlı görü gibi uygulama alanlarının temel kullanım amaçlarını ve etik risklerini vaka üzerinden analiz eder.
10. Kod yazmadan, belirli bir iş/süreç için “AI destekli” çözüm akışını (girdi–çıktı–insan kontrol noktaları–riskler) tasarlar.
11. AI’nin iş gücü, eğitim, kamu hizmetleri ve toplumsal etkilerini ölçütlere dayanarak tartışır ve gerekçeli görüş üretir.
12. Her ödevde “AI Kullanım Beyanı + Prompt Günlüğü + Kaynakça + İnsan Katkısı” ile sürecini şeffaf biçimde raporlar.
|
| Skills
(Describe as Cognitive and/or Practical Skills.)
|
| Competences
(Described as "Ability of the learner to apply knowledge and skills autonomously with responsibility", "Learning to learn"," Communication and social" and "Field specific" competences.)
|
| Week |
Subject |
| Related Preparation |
Pekiştirme |
| 1) |
Yapay zekâ nedir? Tarihçe, mitler–gerçekler AI tanımı; veri–model–çıktı; dar AI/Genel AI; gündelik kullanım “AI mı değil mi?” kart oyunu + kavram haritası |
| 2) |
Veri okuryazarlığı + etik + mahremiyet Veri türleri; veri kalitesi; mahremiyet; KVKK sezgisi; etik ikilemler “Risk avı”: bir form/anket üzerinde mahremiyet risklerini işaretleme |
| 3) |
Kural tabanlı sistemler, uzman sistemler, arama mantığı If–then; uzman sistem mantığı; arama/heuristic; nerede işe yarar? “Kural yazma atölyesi” (8–10 kural) |
| 4) |
Belirsizlik, olasılık sezgisi, risk ve karar verme Hata türleri; risk–fayda; karar eşiği; yanlış pozitif/negatif Rol oyunu: yanlış pozitif / yanlış negatif |
| 5) |
Makine öğrenmesi 101 Denetimli/denetimsiz; özellik sezgisi; aşırı uyum; değerlendirme “Aşırı uyum” mini-simülasyon |
| 6) |
Derin öğrenme sezgisi Sinir ağı fikri; temsil öğrenme; güçlü/zayıf yönler Görsel tanıma demo (temsil fikri) |
| 7) |
VİZE Çoktan seçmeli + geri bildirim Kısa öz değerlendirme |
| 8) |
Üretken AI ve LLM’ler Prompt ilkeleri; halüsinasyon; doğrulama protokolleri “Kötü prompt–iyi prompt” + doğrulama adımı |
| 9) |
NLP uygulamaları (Türkçe özelinde) Sınıflandırma; özetleme; duygu analizi; Türkçe zorluklar Aynı metni farklı amaçla promptlama |
| 10) |
Bilgisayarlı görü uygulamaları Nesne/yüz tanıma; tıbbi görüntü; gözetim ve etik “Etik çizgi” tartışması |
| 11) |
Deepfake ve bilgi güvenliği Sentetik medya; dezenformasyon; içerik doğrulama Doğrulama istasyonu atölyesi |
| 12) |
AI Agent’lar ve “iş yapan yapay zekâ” Çok-adımlı iş akışları; yetki sınırları; denetim Agent tasarım stüdyosu |
| 13) |
Güvenilir AI ve Red Teaming Prompt injection; test senaryoları; savunmalar; metrikler Kırmızı takım panosu |
| 14) |
Robotik/otonomi + düzenleme + genel tekrar Otonom sistemler; iş dönüşümü; düzenleme çerçeveleri Geleceğin iş ilanı etkinliği |
| 15) |
FİNAL Çoktan seçmeli + kapanış Ders öz değerlendirmesi |
| References: |
### 9. Kaynaklar ve Okuma Listesi (TR + EN)
📚
Bu liste, dersteki ana temaları (etik, doğrulama, ML temelleri, üretken AI, agent’lar, robotik, ekonomi/toplum) desteklemek için önerilen **Türkçe** ve **İngilizce** kaynakları içerir.
#### 9.1 Türkçe Kaynaklar (TR)
- **KVKK Rehberleri ve Kurul Kararları (seçmeler):** Kişisel Verileri Koruma Kurumu — temel kavramlar, örnek kararlar.
- **BTK / kamu kaynakları (seçmeler):** Dijital okuryazarlık, bilgi güvenliği ve çevrim içi riskler üzerine raporlar.
- **Türkçe popüler bilim yazıları (seçmeler):** Yapay zekâ, mahremiyet, dezenformasyon ve deepfake üzerine güncel yazılar.
#### 9.2 İngilizce Kaynaklar (EN)
**Temel (başlangıç için)**
- *The Alignment Problem* — Brian Christian
- *Weapons of Math Destruction* — Cathy O’Neil
- *Prediction Machines* — Ajay Agrawal, Joshua Gans, Avi Goldfarb
- *Artificial Intelligence: A Guide for Thinking Humans* — Melanie Mitchell
- *The Master Algorithm* — Pedro Domingos
**Makine öğrenmesi / değerlendirme sezgisi (referans)**
- *An Introduction to Statistical Learning* — James, Witten, Hastie, Tibshirani
- *The Elements of Statistical Learning* — Hastie, Tibshirani, Friedman
- *Deep Learning* — Goodfellow, Bengio, Courville
**Modern pratik ML (üretim ve hata türleri)**
- “Rules of Machine Learning: Best Practices for ML Engineering” (Google) — makale
- “Hidden Technical Debt in Machine Learning Systems” (Sculley et al.) — makale
- “A Few Useful Things to Know About Machine Learning” (Pedro Domingos) — makale
**LLM’ler, üretken AI ve güvenlik**
- “Attention Is All You Need” (Vaswani et al.) — makale
- “On the Dangers of Stochastic Parrots” (Bender et al.) — makale
- “Language Models are Few-Shot Learners” (Brown et al., GPT-3) — makale
- “Training language models to follow instructions with human feedback” (InstructGPT) — makale
**Değerlendirme, güvenilirlik, halüsinasyon**
- “On the Opportunities and Risks of Foundation Models” (Stanford CRFM) — rapor (seçmeler)
- “A Survey of Hallucination in Large Language Models” — derleme (seçmeler)
- “TruthfulQA: Measuring How Models Mimic Human Falsehoods” — makale (seçmeler)
**İnsan-doğrulama, bilgi güvenliği, dezenformasyon**
- SIFT Method (Mike Caulfield) — pratik doğrulama yaklaşımı
- News Literacy Project — doğrulama pratikleri
- “The Spread of True and False News Online” (Vosoughi, Roy, Aral) — makale
**Agent’lar ve prompt güvenliği**
- OWASP Top 10 for LLM Applications — rehber
- “Prompt Injection Attacks Against LLM-Integrated Applications” — makale (seçmeler)
- “Constitutional AI” — makale (seçmeler)
**Robotik ve bedenlenmiş zeka**
- *Reinforcement Learning: An Introduction* — Sutton & Barto
- “Playing Atari with Deep Reinforcement Learning” (DQN) — makale (seçmeler)
- “Mastering the game of Go with deep neural networks and tree search” (AlphaGo) — makale (seçmeler)
- Moravec’s Paradox üzerine kısa okumalar (seçmeler)
**Ekonomi ve toplum**
- *The Second Machine Age* — Brynjolfsson & McAfee
- *Power and Prediction* — Ajay Agrawal, Joshua Gans, Avi Goldfarb
- “The Future of Employment” (Frey & Osborne) — makale (seçmeler)
#### 9.2.1 Açık dersler ve güvenilir çevrim içi ders notları (EN)
- MIT OpenCourseWare — Intro to ML / AI (seçmeler)
- Stanford CS229 / CS231n — ders notları (seçmeler)
- [fast.ai](http://fast.ai) — Practical Deep Learning (seçmeler)
#### 9.2.2 AI nedir? Güncel durum ve gelecek (EN)
- OpenAI — “Planning for AGI and beyond” (blog)
- DeepMind — “AI safety & responsibility” (yazılar / raporlar)
- Stanford HAI — AI Index Report (yıllık rapor)
- Our World in Data — Artificial Intelligence (veri / grafik)
#### 9.2.3 Ürünler, platformlar, araçlar ekosistemi (EN)
- OpenAI docs (API, models, safety)
- Anthropic docs (Claude, safety)
- Google AI / Gemini docs
- Hugging Face — model hub ve “Transformers” ekosistemi
- LangChain ve LlamaIndex dokümantasyonları (agent/workflow yaklaşımları)
#### 9.2.4 Podcast / söyleşi (EN)
- *Lex Fridman Podcast* — AI araştırmacıları ve ürün liderleriyle uzun format söyleşiler
- *Dwarkesh Podcast* — AI ve ekonomi/toplum odağı (seçmeler)
- *The TWIML AI Podcast* — uygulamalı ML ve sektör konuşmaları
#### 9.1.1 Yapay zeka nedir? Güncel durum ve gelecek (TR)
- TÜBİTAK Bilim Genç / Bilim ve Teknik — AI temelli yazı dizileri (seçmeler)
- Açık veri ve teknoloji topluluklarının (GDG, IEEE vb.) yapay zeka etkinlik kayıtları (seçmeler)
- Üniversitelerin halka açık seminer kayıtları (YouTube) — “Yapay zekâ nedir?” ve “AI etiği” (seçmeler)
#### 9.1.2 Ürünler, platformlar, araçlar ekosistemi (TR)
- Türkçe LLM kullanımı ve doğrulama pratikleri üzerine atölye notları (seçmeler)
- KVKK odaklı veri paylaşımı, anonimleştirme ve güvenli kullanım pratikleri (seçmeler)
#### 9.1.3 Podcast / söyleşi (TR)
- Türkiye’de teknoloji ve girişimcilik ekosistemindeki yapay zeka odaklı podcast bölümleri (seçmeler)
#### 9.5 Takip Edilecek Kişiler (özellikle X / Twitter)
👥
Bu liste; **araştırma**, **ürün**, **güvenlik**, **robotik**, **ekonomi-toplum** ve **açık kaynak** ekseninde düzenli paylaşım yapan kişileri içerir. X üzerinde arama yaparken isim + kurum + “AI” anahtar kelimeleriyle daha doğru hesaplara ulaşılır.
**Araştırma ve popüler bilim**
- Andrew Ng
- Yann LeCun
- Geoffrey Hinton
- Fei-Fei Li
- Andrej Karpathy
**Güvenlik, politika ve etik**
- Tristan Harris
- Yoshua Bengio
- Timnit Gebru
- Gary Marcus
**Robotik ve embodied AI**
- Sergey Levine
- Pieter Abbeel
**Açık kaynak ve uygulama ekosistemi**
- Hugging Face ekibi (kurucu/araştırmacılar)
- EleutherAI topluluğu
**Ekonomi ve toplum**
- Erik Brynjolfsson
- Daron Acemoglu
#### 9.3 Video / Konuşmalar (dersle doğrudan ilişkili)
- Tristan Harris — “We Have 2 Years Before Everything Changes” (YouTube)
- Google DeepMind — “The Thinking Game” (YouTube)
- Andrej Karpathy — “Software Is Changing (Again)” (YouTube)
- Sergey Levine — “Fully autonomous robots are much closer than you think” (YouTube)
- Demis Hassabis — “All-In Summit” konuşması (YouTube)
- Emad Mostaque — “We have 900 days left.” (YouTube)
#### 9.4 Seçim kılavuzu (hızlı)
- **Etik + risk:** 9.2 Temel + “Stochastic Parrots”
- **Teknik temel:** ESL / Deep Learning (seçmeler)
- **Üretken AI + güvenlik:** Attention + prompt injection + OWASP (seçmeler)
- **Robotik:** Sutton & Barto (seçmeler) + Levine videoları |
|
| Q & A |
|
| Case Problem Solving/ Drama- Role/ Case Management |
|
| Laboratory |
|
| Quantitative Problem Solving |
|
| Fieldwork |
|
| Group Study / Assignment |
|
| Individual Assignment |
|
| WEB-based Learning |
|
| Internship |
|
| Practice in Field |
|
| Project Preparation |
|
| Report Writing |
|
| Seminar |
|
| Supervision |
|
| Social Activity |
|
| Occupational Activity |
|
| Occupational Trip |
|
| Application (Modelling, Design, Model, Simulation, Experiment et.) |
|
| Reading |
|
| Thesis Preparation |
|
| Field Study |
|
| Student Club and Council Activities |
|
| Other |
|
| Logbook |
|
| Interview and Oral Conversation |
|
| Research |
|
| Watching a movie |
|
| Bibliography preparation |
|
| Oral, inscribed and visual knowledge production |
|
| Taking photographs |
|
| Sketching |
|
| Mapping and marking |
|
| Reading maps |
|
| Copying textures |
|
| Creating a library of materials |
|
| Presentation |
|
| Semester Requirements |
Number of Activities |
Level of Contribution |
| Attendance |
14 |
% 5 |
| Laboratory |
|
% 0 |
| Application |
|
% 0 |
| Practice Exam |
|
% 0 |
| Quizzes |
|
% 0 |
| Homework Assignments |
5 |
% 20 |
| Presentation |
|
% 0 |
| Project |
|
% 0 |
| Special Course Internship (Work Placement) |
|
% 0 |
| Field Study |
|
% 0 |
| Article Critical |
|
% 0 |
| Article Writing |
|
% 0 |
| Module Group Study |
|
% 0 |
| Brainstorming |
|
% 0 |
| Role Playing + Dramatizing |
|
% 0 |
| Out of Class Study |
|
% 0 |
| Preliminary Work, Reinforcement |
|
% 0 |
| Application Repetition etc. |
|
% 0 |
| Homework (reading, writing, watching movies, etc.) |
|
% 0 |
| Project Preparation + Presentation |
|
% 0 |
| Report Preparation + Presentation |
|
% 0 |
| Presentation / Seminar Preparation + Presenting |
|
% 0 |
| Oral examination |
|
% 0 |
| Midterms |
1 |
% 30 |
| Final |
1 |
% 45 |
| Practical Final |
|
% 0 |
| Report Submission |
|
% 0 |
| Bütünleme |
|
% 0 |
| Bütünleme Pratik |
|
% 0 |
| Kanaat Notu |
|
% 0 |
| Committee |
|
% 0 |
| Yazma Ödev Dosyası |
|
% 0 |
| Portfolio |
|
% 0 |
| Take-Home Exam |
|
% 0 |
| Logbook
|
|
% 0 |
| Participation |
|
% 0 |
| Discussion |
|
% 0 |
| total |
% 100 |
| PERCENTAGE OF SEMESTER WORK |
|
% 55 |
| PERCENTAGE OF FINAL WORK |
|
% 45 |
| total |
% 100 |
| Activities |
Number of Activities |
Workload |
| Course Hours |
15 |
45 |
| Laboratory |
|
|
| Application |
|
|
| Practice Exam |
|
|
| Special Course Internship (Work Placement) |
|
|
| Field Work |
|
|
| Study Hours Out of Class |
16 |
12.8 |
| Article Critical |
|
|
| Article Writing |
|
|
| Module Group Study |
|
|
| Brainstorming |
|
|
| Role Playing + Dramatizing |
|
|
| Out-of-Class Study (Pre-study, Reinforcement, Practice Review, etc.) |
|
|
| Homework (reading, writing, watching movies, etc.) |
7 |
17.5 |
| Project Preparation + Presentation |
|
|
| Report Preparation + Presentation |
|
|
| Presentation / Seminar Preparation + Presenting |
|
|
| Oral examination |
|
|
| Preparing for Midterm Exams |
1 |
4 |
| MIDTERM EXAM (Visa) |
1 |
2 |
| Preparing for the General Exam |
1 |
8 |
| GENERAL EXAM (Final) |
1 |
2 |
| Participation |
15 |
15 |
| Discussion |
|
|
| Portfolio |
|
|
| Take-Home Exam |
|
|
| Logbook
|
|
|
| Total Workload |
106.3 |
| ECTS (30 saat = 1 AKTS ) |
3 |