|
Ders Öğretim Planı| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | | TAE-24-100 | TARIM EKONOMİSİ ALANINDA MAKİNE ÖĞRENİMİ VE AÇIKLANABİLİR YAPAY ZEKA UYGULAMALARI | Seçmeli | 1 | 1 | 6 |
| | Dersin Seviyesi | | Yüksek Lisans | | Dersin Amacı | | Tarım Ekonomisi Alanında Makine Öğrenimi ve Açıklanabilir Yapay Zeka Uygulamaları" dersinin amacı, katılımcıları tarım alanına özgü olarak tasarlanmış makine öğrenimi teknikleri ve açıklanabilir yapay zeka (AYZ) uygulamaları konusunda kapsamlı bir anlayışla donatmaktır. Bu kurs, teorik bilgi ile uygulamalı pratik egzersizlerin birleşimini içererek, katılımcıları tarımda karşılaşılan zorlukları ele almak ve tarımdaki süreçleri optimize etmek için gelişmiş yapay zeka teknolojilerinin potansiyelini kullanmada yetkin kılmayı amaçlamaktadır. | | Dersi Veren Öğretim Görevlisi/Görevlileri | | Öğr. Gör. Dr. Hakan DUMAN | | Öğrenme Çıktıları | | 1 | Makine Öğrenimi Kavramlarının Anlaşılması:
Çıktı: Temel makine öğrenimi kavramları, algoritmaları ve teknikleri konusunda kapsamlı bir anlayış geliştirmek.
Beceri: Katılımcılar, temel makine öğrenimi prensiplerini açıklama ve uygulama konusunda yetkin olacak. | | 2 | Tarımsal Veri İşleme Yetkinliği:
Çıktı: Uzaktan algılama ve iklim verisi dahil olmak üzere çeşitli tarımsal veri setlerini toplama, ön işleme ve yönetme konusunda beceriler kazanmak.
Beceri: Katılımcılar, makine öğrenimi uygulamaları için çeşitli tarımsal veri türlerini işleme ve yönetme konusunda yetkin olacak. | | 3 | Model Geliştirme ve Optimizasyon Yetkinliği:
Çıktı: Tarım uygulamaları için özel olarak tasarlanmış makine öğrenimi modellerini oluşturma, eğitme ve optimize etme yeteneğini geliştirmek.
Beceri: Katılımcılar, belirli tarımsal görevlere yönelik makine öğrenimi modellerini seçme, geliştirme ve ayarlama konusunda yetkin olacak. | | 4 | Açıklanabilir Yapay Zeka Teknikleri Uzmanlığı:
Çıktı: Tarımda makine öğrenimi modellerinin yorumlanabilirliğini artırmak için açıklanabilir yapay zeka (AYZ) tekniklerinde uzmanlaşmak.
Beceri: Katılımcılar, tarıma uygulanan AYZ yöntemlerini uygulama ve sonuçları iletişim kurma konusunda yetkin olacak. | | 5 | Pratik Uygulama Becerileri:
Çıktı: Teorik bilgiyi tarımsal bağlamda yapılan pratik egzersizler ve gerçek dünya vaka çalışmalarıyla uygulama.
Beceri: Katılımcılar, tarımdaki pratik problemleri çözmek için makine öğrenimi tekniklerini uygulama konusunda yetkin olacak. | | 6 | Etik Düşünce Farkındalığı:
Çıktı: Tarımda yapay zeka kullanımıyla ilgili etik düşünceler konusunda farkındalık geliştirmek, gizlilik, önyargı ve toplumsal etkiler gibi.
Beceri: Katılımcılar, tarımda makine öğrenimi uygulamalarındaki etik zorlukları tanıma ve ele alma konusunda yetkin olacak. | | 7 | Hassas Tarım ile Entegrasyon Yetkinliği:
Çıktı: Makine öğrenimi ve yapay zeka teknolojilerini hassas tarım uygulamalarıyla nasıl entegre edileceğini anlama.
Beceri: Katılımcılar, yapay zekayı kullanarak hassas tarımı geliştirmekte, kaynak kullanımını ve karar verme süreçlerini optimize etmekte yetkin olacak. | | 8 | İletişim ve İşbirliği Becerileri:
Çıktı: Tarımsal yapay zeka projelerinde disiplinler arası işbirliği için etkili iletişim ve işbirliği becerilerini geliştirme.
Beceri: Katılımcılar, teknik kavramları teknik olmayan paydaşlara aktarma ve çeşitli alanlardan uzmanlarla işbirliği yapma konusunda yetkin olacak. | | 9 | Proje Uygulama Yetkinliği:
Çıktı: Makine öğrenimi çözümlerini tarımsal projelerde başarıyla uygulama, belirli zorlukları ele alma yeteneğini gösterme.
Beceri: Katılımcılar, tarımsal alandaki makine öğrenimi projelerini bağımsız olarak planlama, yürütme ve değerlendirme konusunda yetkin olacak. | | 10 | Sürekli Öğrenme Yaklaşımı:
Çıktı: Hızla değişen makine öğrenimi ve tarımda yapay zeka uygulamaları alanındaki sürekli öğrenme anlayışını geliştirme.
Beceri: Katılımcılar, gelişen teknolojilere ayak uydurma ve becerilerini endüstri gelişmelerine adapte etme konusunda yetkin olacak. |
| | Öğrenim Türü | | Birinci Öğretim | | Dersin Ön Koşulu Olan Dersler | | | Ders İçin Önerilen Diğer Hususlar | | | Dersin İçeriği | | Makine Öğrenimi Kavramlarının Anlaşılması:
Çıktı: Temel makine öğrenimi kavramları, algoritmaları ve teknikleri konusunda kapsamlı bir anlayış geliştirmek.
Beceri: Katılımcılar, temel makine öğrenimi prensiplerini açıklama ve uygulama konusunda yetkin olacak.
Tarımsal Veri İşleme Yetkinliği:
Çıktı: Uzaktan algılama ve iklim verisi dahil olmak üzere çeşitli tarımsal veri setlerini toplama, ön işleme ve yönetme konusunda beceriler kazanmak.
Beceri: Katılımcılar, makine öğrenimi uygulamaları için çeşitli tarımsal veri türlerini işleme ve yönetme konusunda yetkin olacak.
Model Geliştirme ve Optimizasyon Yetkinliği:
Çıktı: Tarım uygulamaları için özel olarak tasarlanmış makine öğrenimi modellerini oluşturma, eğitme ve optimize etme yeteneğini geliştirmek.
Beceri: Katılımcılar, belirli tarımsal görevlere yönelik makine öğrenimi modellerini seçme, geliştirme ve ayarlama konusunda yetkin olacak.
Açıklanabilir Yapay Zeka Teknikleri Uzmanlığı:
Çıktı: Tarımda makine öğrenimi modellerinin yorumlanabilirliğini artırmak için açıklanabilir yapay zeka (AYZ) tekniklerinde uzmanlaşmak.
Beceri: Katılımcılar, tarıma uygulanan AYZ yöntemlerini uygulama ve sonuçları iletişim kurma konusunda yetkin olacak.
Pratik Uygulama Becerileri:
Çıktı: Teorik bilgiyi tarımsal bağlamda yapılan pratik egzersizler ve gerçek dünya vaka çalışmalarıyla uygulama.
Beceri: Katılımcılar, tarımdaki pratik problemleri çözmek için makine öğrenimi tekniklerini uygulama konusunda yetkin olacak.
Etik Düşünce Farkındalığı:
Çıktı: Tarımda yapay zeka kullanımıyla ilgili etik düşünceler konusunda farkındalık geliştirmek, gizlilik, önyargı ve toplumsal etkiler gibi.
Beceri: Katılımcılar, tarımda makine öğrenimi uygulamalarındaki etik zorlukları tanıma ve ele alma konusunda yetkin olacak.
Hassas Tarım ile Entegrasyon Yetkinliği:
Çıktı: Makine öğrenimi ve yapay zeka teknolojilerini hassas tarım uygulamalarıyla nasıl entegre edileceğini anlama.
Beceri: Katılımcılar, yapay zekayı kullanarak hassas tarımı geliştirmekte, kaynak kullanımını ve karar verme süreçlerini optimize etmekte yetkin olacak.
İletişim ve İşbirliği Becerileri:
Çıktı: Tarımsal yapay zeka projelerinde disiplinler arası işbirliği için etkili iletişim ve işbirliği becerilerini geliştirme.
Beceri: Katılımcılar, teknik kavramları teknik olmayan paydaşlara aktarma ve çeşitli alanlardan uzmanlarla işbirliği yapma konusunda yetkin olacak.
Proje Uygulama Yetkinliği:
Çıktı: Makine öğrenimi çözümlerini tarımsal projelerde başarıyla uygulama, belirli zorlukları ele alma yeteneğini gösterme.
Beceri: Katılımcılar, tarımsal alandaki makine öğrenimi projelerini bağımsız olarak planlama, yürütme ve değerlendirme konusunda yetkin olacak.
Sürekli Öğrenme Yaklaşımı:
Çıktı: Hızla değişen makine öğrenimi ve tarımda yapay zeka uygulamaları alanındaki sürekli öğrenme anlayışını geliştirme.
Beceri: Katılımcılar, gelişen teknolojilere ayak uydurma ve becerilerini endüstri gelişmelerine adapte etme konusunda yetkin olacak. | | Haftalık Ayrıntılı Ders İçeriği | |
| 1 | Kurs yapısı, hedefler ve beklentilere dair genel bir bakış.
Makine öğrenimi temellerinin tarım üzerindeki önemi.
Makine öğreniminin tarihsel bağlamı ve evrimi üzerine tartışma. | | | | 2 | Denetimli ve denetimsiz öğrenme kavramlarının derinlemesine incelenmesi.
Farklı endüstrilerde makine öğrenimi uygulamalarına dair pratik örnekler.
Görev: Tarım alanında makine öğrenimi uygulamasına dair bir vaka çalışması araştırması ve sunumu. | | | | 3 | Tarımın temel prensipleri, tarım uygulamaları ve karşılaşılan zorluklar.
Hassas tarımın temelleri ve sürdürülebilir tarım üzerindeki etkisi. | | | | 4 | Temel veri bilimi kavramları, veri toplama ve ön işleme.
Makine öğrenimi için relevant istatistik kavramlarına genel bakış. | Grup etkinliği: Örnek bir tarımsal veri setini analiz etme ve temizleme | | | 5 | Programlama dillerinin temelleri, özellikle Python'a odaklanma.
Veri manipülasyonu ve analiz kütüphanelerine giriş (örneğin, Pandas, NumPy). | Pratik oturum: Tarımla ilgili Python programlama egzersizleri | | | 6 | Gelişmiş makine öğrenimi tekniklerine giriş (örneğin, derin öğrenme, ensemble yöntemleri).
Tarımda uygulamalarının incelenmesi. | Grup proje görevi: Belirli bir tarımsal sorun için bir makine öğrenimi çözümü önerme. | | | 7 | | Pratik oturum: Derin öğrenme algoritmalarının tarımsal görevlerde uygulanması | | | 8 | Tarımda uzaktan algılama verilerinin ve IoT cihazlarının entegrasyonu.
Sensör verilerinin makine öğrenimi uygulamaları için kullanımı. | Vaka çalışmaları: Tarımda uzaktan algılama ve IoT entegrasyonunun başarılı örneklerinin analizi. | | | 9 | Tarım teknolojileri uygulayan bir çiftliği ziyaret veya sanal tur. | Grup tartışması: Gezide gözlemlenen pratik uygulamalar üzerine düşünce paylaşımı. | | | 10 | Açıklanabilir yapay zeka (XAI) teknikleri ve tarımdaki önemi.
Tarımda yapay zeka uygulamalarında etik düşünceler. | Pratik oturum: Yorumlanabilir makine öğrenimi modellerinin uygulanması. | | | 11 | Açıklanabilir yapay zeka (XAI) teknikleri ve tarımdaki önemi.
Tarımda yapay zeka uygulamalarında etik düşünceler | Pratik oturum: Yorumlanabilir makine öğrenimi modellerinin uygulanması. | | | 12 | | Öğrenci sunumları: Bireysel veya grup projelerinden bulguların paylaşımı.
Yapay zeka uygulamalarında karşılaşılan etik zorluklar ve sorumluluklar üzerine tartışma. | | | 13 | | Tarımda yapay zeka endüstri vaka çalışmalarının detaylı analizi.
Grup proje değerlendirmesi: Önerilen makine öğrenimi çözümlerinin sunumu ve akran geri bildirimleri. | | | 14 | Final sınavı veya proje teslimi.
Kursun özeti, gözden geçirilmesi ve değerlendirmesi.
Makine öğrenimi ve yapay zeka uygulamalarındaki gelecek trendleri üzerine tartışma. | | |
| | Ders Kitabı / Malzemesi / Önerilen Kaynaklar | | Kurs Temel Kaynakları:
Makine Öğrenimi Temelleri:
Kitap: "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" - Aurélien Géron
İçerik: Temel makine öğrenimi kavramlarına ve algoritmalarına odaklanan bir kaynak.
Tarımsal Arka Plan:
Kitap: "Precision Agriculture Technology for Crop Farming" - Qin Zhang
İçerik: Tarımın temel prensipleri, modern tarım teknolojileri ve hassas tarım uygulamalarına odaklanan bir kaynak.
Veri Bilimi Temelleri:
Kitap: "Python for Data Analysis" - Wes McKinney
İçerik: Veri toplama, ön işleme ve analiz için temel Python becerilerini geliştiren bir kaynak.
Programlama Temelleri:
Kitap: "Python Crash Course" - Eric Matthes
İçerik: Python programlama dilinin temel kavramlarını öğreten bir kaynak, özellikle makine öğrenimi için gerekli temel becerileri içeriyor.
Etik Düşünceler:
Kitap: "Ethics of Artificial Intelligence and Robotics" - Vincent C. Müller
İçerik: Yapay zeka ve makine öğrenimi alanındaki etik konularını keşfeden bir kaynak.
Kurs Yardımcı Kaynakları:
Gelişmiş Makine Öğrenimi Teknikleri:
Kitap: "Deep Learning" - Ian Goodfellow, Yoshua Bengio, and Aaron Courville
İçerik: Derin öğrenme ve gelişmiş makine öğrenimi konularına odaklanan bir referans kaynağı.
Uzaktan Algılama ve IoT Entegrasyonu:
Kitap: "Remote Sensing and GIS for Ecologists" - Paul A. Racey ve Andrew N. Green
İçerik: Uzaktan algılama verilerinin ve Nesnelerin İnterneti (IoT) entegrasyonunun tarım uygulamalarına odaklanan bir kaynak.
Tarım için Bulut Bilişim:
Kitap: "Cloud Computing for Agriculture" - Edited by Hemanth Kumar Yamjala
İçerik: Tarımsal veri setlerini işlemek için bulut bilişim platformlarının kullanımına odaklanan bir kaynak.
Coğrafi Uzamsal Analiz:
Kitap: "GIS and Remote Sensing Techniques in Land- and Water-management" - Edited by Martin Y. Appiah et al.
İçerik: Coğrafi bilgi sistemlerinin ve uzaktan algılama tekniklerinin tarım yönetimi için nasıl kullanılacağına dair bir kaynak.
Endüstri Vaka Çalışmaları:
Kitap: "Data Science for Business" - Foster Provost ve Tom Fawcett
İçerik: İş dünyasındaki veri bilimi uygulamalarına odaklanarak, endüstri vaka çalışmalarının analizini içeren bir kaynak.
Düzenleyici Çerçeveler:
Kitap: "Artificial Intelligence: A Guide for Thinking Humans" - Melanie Mitchell
İçerik: Yapay zeka ve makine öğrenimi alanındaki düzenleyici çerçeveleri ve etik sorunları ele alan bir kaynak.
Disiplinlerarası İşbirliği:
Kitap: "Collaborative Intelligence: Thinking with People Who Think Differently" - Dawna Markova ve Angie McArthur
İçerik: Disiplinlerarası işbirliğinin önemini vurgulayan bir kaynak.
İletişim ve Raporlama:
Kitap: "Data Points: Visualization That Means Something" - Nathan Yau
İçerik: Veri biliminde etkili iletişim ve görselleştirme konularına odaklanan bir kaynak.
Sürekli Öğrenme Kaynakları:
Kaynak: Online platformlar (Coursera, edX, Udacity) ve makale arşivleri.
İçerik: Katılımcıların kurs sonrasında güncel kalmak ve öğrenmeye devam etmek için kullanabileceği çeşitli kaynaklar.
Hands-on Projeler:
Kaynak: Kaggle, GitHub ve benzeri platformlardan alınan gerçek veri setleri ve uygulama örnekleri.
İçerik: Katılımcıların öğrendikleri konseptleri pratiğe dökmelerini sağlayacak gerçek dünya projelerini içeren kaynaklar. | | Planlanan Öğrenme Aktiviteleri ve Metodları | | | Değerlendirme | |
| Rapor Hazırlama | 3 | 75 | | Rapor Sunma | 1 | 25 | | TOPLAM | 100 | |
| Rapor Hazırlama | 1 | 100 | | TOPLAM | 100 | | Yarıyıl (Yıl) İçi Etkinlikleri | 40 | | Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | | TOPLAM | 100 |
| | Dersin Sunulduğu Dil | | Türkçe | | Staj Durumu | |
| | İş Yükü Hesaplaması | |
| Rapor Hazırlama | 4 | 25 | 100 | | Rapor Sunma | 1 | 1 | 1 | | Makale Kritik Etme | 3 | 10 | 30 | | Bireysel Çalışma | 14 | 3 | 42 | |
| Program ve Öğrenme Çıktıları İlişkisi | | ÖÇ1 | | ÖÇ2 | | ÖÇ3 | | ÖÇ4 | | ÖÇ5 | | ÖÇ6 | | ÖÇ7 | | ÖÇ8 | | ÖÇ9 | | ÖÇ10 |
| | * Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |
|
|
|
|
Iğdır University, Iğdır / TURKEY • Tel (pbx): +90 476
226 13 14 • e-mail: info@igdir.edu.tr
|
|
|