Bu dersin amacı, öğrencilerin klasik Yapay Zekâ yaklaşımlarından modern veri odaklı yapay zekâ sistemlerine uzanan gelişimi kavramalarını sağlamak; arama, bilgi gösterimi ve mantıksal çıkarım yöntemlerinden başlayarak makine öğrenmesi ve model değerlendirme süreçlerine kadar uzanan yapay zekâ geliştirme hattını (AI pipeline) anlayıp uygulayabilmelerini sağlamaktır.

Ders, yapay zekâya giriş ve tarihsel gelişim ile başlar; problem çözme yaklaşımları, durum uzayı gösterimi ve arama algoritmaları (BFS, DFS, A*) ele alınır. Ardından bilgi gösterimi ve mantıksal çıkarım yöntemleri incelenir. Devamında makine öğrenmesine giriş yapılarak denetimli öğrenme (regresyon ve sınıflandırma), denetimsiz öğrenme (kümeleme) ve pekiştirmeli öğrenme temel düzeyde ele alınır. Model performans metrikleri ve doğrulama teknikleri incelendikten sonra yapay zekâ geliştirme süreci kapsamında veri toplama, ön işleme, model seçimi, eğitim ve performans iyileştirme aşamaları işlenir. Ders, yapay zekâ sistemlerinin etik ve toplumsal boyutları ile tamamlanır.

Teorik anlatım, algoritma analizi, örnek problem çözümü, Python tabanlı uygulamalar, veri setleri üzerinde model geliştirme çalışmaları ve proje tabanlı değerlendirme.

Russell & Norvig, Artificial Intelligence: A Modern Approach (Classical AI foundations) Géron, Hands-On Machine Learning (Modern ML applications) Recent academic articles and open datasets