Dijital Oyun Tasarımı (İngilizce) Önizleme
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Genel Tanıtım Bilgileri

Ders Kodu:

DGD401

Ders İsmi:

Makine Öğrenmesi ve Yapay Zeka

Ders Yarıyılı:

Güz

Ders Kredileri:

AKTS

Öğretim Dili:

İngilizce

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Zorunlu

Dersin Seviyesi:

Lisans

TYYÇ:6. Düzey

QF-EHEA:1. Düzey

EQF-LLL:6. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Dr. Öğr. Üy. İSMAİL ERGEN

Dersi Veren(ler):

Dr. Öğr. Üyesi İsmail Ergen

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:

Öğrencilere Machine Learning ve Yapay Zeka'nın temel kavramlarını anlatmak, bu alanlardaki temel terminolojiyi öğretmek.
Regresyon problemleri için denetimli öğrenmeye giriş yapmak ve öğrencilere bu alandaki temel konuları anlatmak.
Logistic Regression, K-Nearest Neighbors gibi sınıflandırma algoritmalarına odaklanarak öğrencilere temel sınıflandırma problemlerini çözme yetenekleri kazandırmak.

Dersin İçeriği:

Öğrencilere öğrendikleri bilgileri pratiğe dökebilecekleri bir proje sunumu fırsatı vermek ve dersin genel bilgi düzeyini ölçmek amacıyla bir final sınavı düzenlemek.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Will know basic knowledge on Machine Learning
2) Will understand and be able to model supervised learningproblems and solve them
3) Will understand and be able to model unsupervised learningproblems and solve them.
4) Will be able to evalute developed learning models and improve their quality.

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	Makine Öğrenimine Giriş
2)	Supervised Learning- Regresion Problem
3)	Supervised Learning- Regresion Problem
4)	Exploratory Data Analysis, Data Pre-processing
5)	Supervised Learning- Decision Tree- Handling imbalanced dataset
6)	Supervised Learning- Random Forest- Cross Validation and its types
7)	Supervised Learning- Naive Bayes and Support Vector Machines
8)	Ara Sınav
9)	Supervised Learning- Hyper parameter tuning, Dimensionality Reduction
10)	Unsupervised Learning
11)	Ensemble Learning Methods- Boosting Techniques
12)	Artificial Neural Networks,Perceptrons
13)	Artificial Neural Networks, Multi-layer Networks
14)	Proje sunumları-Final

Kaynaklar

Ders Notları / Kitaplar:

There are no resources for the course

Diğer Kaynaklar:

Introduction to Machine Learning, Ethem Alpaydın (3rd Edition), 2014,MIT Press Understanding Machine Learning: From Theory to Algorithms, ShaiShalev-Shwartz, Shai Ben-David (1st Edition), 2014, CambridgeUniversity Press Pattern Recognition and Machine Learning, Christopher Bishop (1stEdition), 2006, Springer Learning from Data, Yaser S. Abu-Mostafa, Malik Magdon-Ismail,Hsuan-Tien Lin (1st Edition), 2012, AMLBook Machine Learning - an Algorithmic Perspective, Stephen Marshland (2ndEdition), 2015, CRC Press Machine Learning Refined: Foundations, Algorithms, and Applications,Jeremy Watt, Reza Borhani, Aggelos K. Katsaggelos (1st Edition), 2016,Cambridge University Press Foundations of Machine Learning, Mehryar Mohri, Afshin Rostamizadeh,Ameet Talwalkar (2nd Edition), 2018, MIT Press Machine Learning: a Probabilistic Perspective, Kevin P. Murphy (1stEdition), 2012, MIT Press Machine Learnin, Tom Mitchell (1st Edition), 1997, McGraw Hill Press A Course in Machine Learning10, Hal Daume III (2nd Edition), 2017 Introduction to Machine Learning, Alex Smola, S.V.N. Vishwanathan (1stEdition), 2008, Cambridge University Press Machine Learning: the Art and Science of Algorithms that Make Sense ofData, Peter Flach (1st Edition), 2012, Cambridge University Press Bayesian Reasoning and Machine Learning, David Barber (1st Edition -Rev. 2020), 2012, Cambridge University Press The Hundred-Page Machine Learning Book, Andriy Burkov, 2019 Machine Learning Mastery with Python, Jason Brownlee, 2016 Reinforcement Learning: an Introduction, Richard S. Sutton, Andrew G.Barto (2nd Edition - Rev. 2020), 2018, MIT Press Artificial Intelligence - With an Introduction to Machine Learning17,Richard E. Neapolitan, Xia Jiang (2nd Edition), 2018, CRC Press Machine Learning Yearning, Andrew Ng (1st Edition), 2020,deeplearning.ai Machine Learning - The New AI, Ethem Alpaydin (1st Edition), 2016,MIT Press Deep Learning with Python, François Chollet (2nd Edition), 2018,Manning Press
 Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville (1stEdition), 2016, MIT Press Neural Networks and Deep Learning22,Michael Nielsen, 2019 Neural Networks and Deep Learning: A Textbook, Charu C. Aggarwal(1st Edition), 2018, Springer Dive into Deep Learning, Aston Zhang, Zachary C. Lipton, Mu Li,Alexander J. Smola (V. 0.143), 2020 Advances in Deep Learning, M. Arif Wani, Farooq Ahmad Bhat, SadufAfzal, Asif Iqbal Khan, 2020, Springer Grokking Deep Learning, Andrew W. Trask (1st Edition), 2019, Manning Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow:Concepts, Tools, and Techniques to Build Intelligent Systems, AurélienGéron (2nd Edition), 2019, O'Reilly Introduction to Machine Learning with Python: A Guide for DataScientists, Andreas C. Müller, Sarah Guido (1st Edition), 2017, O'Reilly The Elements of Statistical Learning: Data Mining, Inference, andPrediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman (2ndEdition), 2009, Springer Press Mathematics for Machine Learning, Marc Peter Deisenroth, A. AldoFaisal, Cheng Soon Ong (1st Edition), 2020, Cambridge University Press Linear Algebra and Optimization for Machine Learning: A Textbook,Charu C. Aggarwal (1st Edition), 2020, Springer Press Optimization for Machine Learning, Suvrit Sra, Sebastian Nowozin,Stephen J. Wright (Edited - 1st Edition), 2011, MIT Press Convex Optimization, Stephen Boyd, Lieven Vandenberghe (1st Edition),2004, Cambridge University Press Data Mining: Concepts and Techniques, Jiawei Han, Micheline Kamber,Jian Pei (3rd Edition), 2012, Morgan Kaufmann Data Mining and Analysis: Fundamental Concepts and Algorithms,Mohammed J. Zaki, Wagner Meira, Jr. (1st Edition), 2014, CambridgeUniversity Press Data Mining: Practical Machine Learning Tools and Techniques, Ian H.Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal (4th Edition), 2016,Morgan Kaufmann Press Data Mining: The Textbook, Charu C. Aggarwal (1st Edition), 2015,Springer Press Data Clustering, Chandan K. Reddy, Charu C. Aggarwal (1st Edition -Ed.), 2014, CRC Press

Ders - Program Öğrenme Kazanım İlişkisi

Course Learning Outcomes	1	2	3	4
Program Kazanımları
1) Yaratıcı yazı yazabilmek, özgün ve ilgi çekici kurmaca senaryolar, mekanlar ve evrenler düşleyebilmek ve üretebilmek. 2 boyutlu ve 3 boyutlu görsel tasarım yapabilmek ve etkileyici işitsel kurgu yapabilmek. Tüm bu sanatsal faaliyetleri, birtakım amaçlar doğrultusunda ve tasarım odaklı planlayabilmek. Oyun tasarım sürecinin kendisini tasarlayabilmek.	2	1	2
2) Matematiksel veri üzerinden düşünebilmek ve yaratıcı içerik üretebilmek. Parametrik tasarım yapabilmek. Yaratıcı yazın, grafik, illüstratif, mekânsal ve karakter tasarım gibi sanat ve tasarım faaliyetlerini sayısallaştırabilmek. Kantitatif ve nesnel yaklaşım ile kalitatif ve öznel fikir üretebilmek.		2		3
3) Farklı uzmanlık alanlarını ve bu alanlardan doğan içerikleri bir arada düşünerek proje yapabilmek. Farklı fikirlerin ve becerilerin birlikteliğiyle barışık biçimde takım çalışması yapabilmek. Kapsamlı ve bütünsel video oyun konseptleri üretebilmek. Yapılan çalışmaları portfolyo ve sunum formatında hazırlayabilmek, sergileyebilmek, anlatabilmek ve savunabilmek.	2	3		1
4) Video oyun tarihi ve kuramı üzerine eleştirel düşünce okur-yazarlığı kazanmak. Oyunların felsefi, antropolojik, politik ve toplumsal açılımları üzerine düşünebilmek ve akademik metin üretebilmek. Video oyun bilgi alanının güncel sorunsallarından haberdar olmak. Eleştiri kabul etme profesyonelliğini gösterebilmek.
5) Video oyun kültürü ve video oyun kültürünün beslendiği diğer kültürel etkinlik alanlarının tarihsel birikimlerinden ve güncel üretimlerinden haberdar olmak. Hem estetik hem teknik üretim ve düşünce biçimlerini kültürel etkinlik olarak ele alabilmek, yorumlayabilmek ve konumlandırabilmek.	2	2
6) Video oyunlarının toplumsal ve ekonomik gerçekliklerinin geçmişiyle ilgili bilgi sahibi, güncel koşullarından haberdar ve gelecekteki potansiyelleriyle ilgili öngörülü olmak. Profesyonel iş ilişkileri kurabilmek, yazışma yapabilmek ve prodüksiyon planlaması kurgulayabilmek. Genele hâkim olurken, belli bir veya birkaç uzmanlık alanında özelleşebilmek.	3	3	1
7) Üretimin her aşamasında video oyun bilgi alanı içinde ve dışında araştırma yapabilmek, veri süzebilmek ve sentez yapabilmek. Disiplinler arası araştırma yapabilmek. Farklı kaynaklardan doğan içerikleri birbirlerine kararak özgün fikirler üretmek. Öğrenmeyi öğrenmek.	3	1
8) Profesyonel dijital içerik üretim araçlarını ve teknolojilerini anlamak, öğrenmek ve kullanmak. Farklı üretim gereksinimlerine hizmet edecek iş akışları tasarlayabilmek. İş akışına dahil olan teknolojileri, alışılagelmiş ve bilinen kapsamları dışında kullanabilmek ve yeri geldiğinde yeni kapsamlara hizmet edecek teknolojiler araştırmak, keşfetmek ve işlevlendirebilmek.	2	2		2

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok	1 En Düşük	2 Orta	3 En Yüksek

	Dersin Program Kazanımlarına Etkisi	Katkı Payı
1)	Yaratıcı yazı yazabilmek, özgün ve ilgi çekici kurmaca senaryolar, mekanlar ve evrenler düşleyebilmek ve üretebilmek. 2 boyutlu ve 3 boyutlu görsel tasarım yapabilmek ve etkileyici işitsel kurgu yapabilmek. Tüm bu sanatsal faaliyetleri, birtakım amaçlar doğrultusunda ve tasarım odaklı planlayabilmek. Oyun tasarım sürecinin kendisini tasarlayabilmek.	1
2)	Matematiksel veri üzerinden düşünebilmek ve yaratıcı içerik üretebilmek. Parametrik tasarım yapabilmek. Yaratıcı yazın, grafik, illüstratif, mekânsal ve karakter tasarım gibi sanat ve tasarım faaliyetlerini sayısallaştırabilmek. Kantitatif ve nesnel yaklaşım ile kalitatif ve öznel fikir üretebilmek.	3
3)	Farklı uzmanlık alanlarını ve bu alanlardan doğan içerikleri bir arada düşünerek proje yapabilmek. Farklı fikirlerin ve becerilerin birlikteliğiyle barışık biçimde takım çalışması yapabilmek. Kapsamlı ve bütünsel video oyun konseptleri üretebilmek. Yapılan çalışmaları portfolyo ve sunum formatında hazırlayabilmek, sergileyebilmek, anlatabilmek ve savunabilmek.	3
4)	Video oyun tarihi ve kuramı üzerine eleştirel düşünce okur-yazarlığı kazanmak. Oyunların felsefi, antropolojik, politik ve toplumsal açılımları üzerine düşünebilmek ve akademik metin üretebilmek. Video oyun bilgi alanının güncel sorunsallarından haberdar olmak. Eleştiri kabul etme profesyonelliğini gösterebilmek.	1
5)	Video oyun kültürü ve video oyun kültürünün beslendiği diğer kültürel etkinlik alanlarının tarihsel birikimlerinden ve güncel üretimlerinden haberdar olmak. Hem estetik hem teknik üretim ve düşünce biçimlerini kültürel etkinlik olarak ele alabilmek, yorumlayabilmek ve konumlandırabilmek.	2
6)	Video oyunlarının toplumsal ve ekonomik gerçekliklerinin geçmişiyle ilgili bilgi sahibi, güncel koşullarından haberdar ve gelecekteki potansiyelleriyle ilgili öngörülü olmak. Profesyonel iş ilişkileri kurabilmek, yazışma yapabilmek ve prodüksiyon planlaması kurgulayabilmek. Genele hâkim olurken, belli bir veya birkaç uzmanlık alanında özelleşebilmek.
7)	Üretimin her aşamasında video oyun bilgi alanı içinde ve dışında araştırma yapabilmek, veri süzebilmek ve sentez yapabilmek. Disiplinler arası araştırma yapabilmek. Farklı kaynaklardan doğan içerikleri birbirlerine kararak özgün fikirler üretmek. Öğrenmeyi öğrenmek.	1
8)	Profesyonel dijital içerik üretim araçlarını ve teknolojilerini anlamak, öğrenmek ve kullanmak. Farklı üretim gereksinimlerine hizmet edecek iş akışları tasarlayabilmek. İş akışına dahil olan teknolojileri, alışılagelmiş ve bilinen kapsamları dışında kullanabilmek ve yeri geldiğinde yeni kapsamlara hizmet edecek teknolojiler araştırmak, keşfetmek ve işlevlendirebilmek.	3

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Ödev	1	% 30
Ara Sınavlar	1	% 30
Final	1	% 40
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 60
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 40
Toplam		% 100

İş Yükü ve AKTS Kredisi Hesaplaması

Aktiviteler	Aktivite Sayısı	Aktiviteye Hazırlık	Aktivitede Harçanan Süre	Aktivite Gereksinimi İçin Süre	İş Yükü
Ders Saati	14	2			28
Uygulama	14	2			28
Proje	1	15			15
Ara Sınavlar	1	0			0
Final	1	20			20
Toplam İş Yükü					91