Bilişim Ders Notları
Yapay Zekâ · 2. hafta · Hayatımızda Yapay Zekâ

Yapay Zekâya Genel Bakış 2: Veri ve Öğrenme

Yapay Zekâ Uygulamaları · 2. hafta ders notu

Öğrenme çıktıları
  • Yapay zekânın veriden nasıl öğrendiğini basit bir örnekle açıklar.
Bilgisayarsız sınıf alternatifi

Kâğıt makine

Bu etkinlik makine öğrenmesini bilgisayarsız canlandırır. Bilgisayar varsa Teachable Machine ile aynı fikir görsel sınıflandırmayla denenebilir.

Konu anlatımı

Önce konuyu aç, sonra sorulara dokun: cevap altında açılır. Soru işaretli kutulara dokununca cevap görünür.

01Makine nasıl öğrenir?
?Makine öğrenmesi nedir?
Bilgisayarın çok sayıda örneği inceleyerek kendi kurallarını çıkarmasıdır.
?Adımları nelerdir?
Veri toplanır, model bu verilerle eğitilir, öğrenilen kurallar modelde saklanır ve yeni örnekler için tahmin yapılır.
Anahtar kavramlar: Makine öğrenmesiModel
Veriçok örnek Eğitimörüntü bulur Modelkuralları saklar kediTahminyeni örneğe cevap Makine öğrenmesinin adımları
02Veri ve etiket
?Etiketli veri nedir?
Doğru cevabı belli olan örneklerdir. Örnek: altında "kedi" yazan kedi fotoğrafı.
?Etiketsiz veri nedir?
Cevabı bilinmeyen örneklerdir. Model bunlar için tahmin yapar.
03Eğitim ve test
?Eğitim nedir?
Modelin etiketli örneklerden kurallar öğrenmesidir.
?Test neden yapılır?
Modelin daha önce görmediği örneklerde ne kadar doğru tahmin yaptığını ölçmek için.
04İyi veri nasıl olmalı?

Kartlara dokun.

?Veri hatalı olursa ne olur?
Model de hatalı öğrenir. Bilgisayarcılar buna "çöp girerse çöp çıkar" der.
05Kendin dene
?Teachable Machine nedir?
Google'ın ücretsiz sitesidir. Kameraya örnekler göstererek tarayıcıda basit bir yapay zekâ modeli eğitilebilir.
Biliyor muydun?

Kâğıt makine etkinliği aynı fikri bilgisayarsız canlandırır.

Ders akışı

40 dakikalık bir ders saati için planlandı. Adımın başlığına dokun, ayrıntılar açılsın.

5dk

Isınma: Nasıl öğrendin?

Öğrencilere bir kediyi köpekten nasıl ayırt ettikleri sorulur. Cevapların hep "çok gördüm" noktasında birleştiği fark edilir.

12dk

Keşif: Eğitim verisi ve test

Etiketli örneklerle öğrenme, etiketsiz örnekle tahmin kavramları tanıtılır. Az ya da tek tip verinin hatalı tahmine yol açtığı gösterilir.

18dk

Etkinlik: Kâğıt makine

Gruplar etiketli 12 kartı inceleyip bir ayırma kuralı çıkarır (renk, boyut, şekil). Sonra etiketsiz 6 kart üzerinde kurallarını dener ve doğruluklarını sayar.

5dk

Kapanış

Hangi grubun kuralı neden daha iyi çalıştı? Daha fazla ve çeşitli veri fikri tekrarlanır.

Doğru mu, yanlış mı?

Dersin sonunda tahtada ya da öğrencinin kendi cihazında çözülür.

1. Daha çeşitli veri genellikle daha iyi tahmin sağlar.

Cevabı gösterDoğru

2. Yapay zekâ hiç örnek görmeden her şeyi bilir.

Cevabı gösterYanlış · Yapay zekâ sistemleri eğitim verisindeki örneklerden öğrenir.

3. Etiketli veri, doğru cevabı belli olan örneklerdir.

Cevabı gösterDoğru

4. Etiketsiz veri için model tahmin yapar.

Cevabı gösterDoğru

5. Test, modelin yeni örneklerde başarısını ölçer.

Cevabı gösterDoğru

6. Yanlış etiketli veri modeli iyileştirir.

Cevabı gösterYanlış · Yanlış etiketli veri modelin yanlış öğrenmesine yol açar.

7. Teachable Machine ile tarayıcıda basit model eğitilebilir.

Cevabı gösterDoğru
← Önceki haftaYapay Zekâya Genel Bakış 1: Yapay Zekâ Nedir? Sonraki hafta →Yapay Zekâya Genel Bakış 3: Sınırlar ve Sorumluluk

2. hafta günlük planı

2026–2027 1. düzey Seçmeli Yapay Zekâ Uygulamaları dersi 2. hafta günlük planı. Okul ve öğretmen bilgileriyle doldurulmuş Word dosyası için etkileşimli sürümde Evraklar › Günlük planlar bölümünü kullanın.

2026–2027 EĞİTİM ÖĞRETİM YILI …………………………

SEÇMELİ YAPAY ZEKÂ UYGULAMALARI 1. SEVİYE DERSİ GÜNLÜK PLANI · 2. HAFTA

BÖLÜM I · DERSE İLİŞKİN BİLGİLER
DersSeçmeli Yapay Zekâ Uygulamaları 1. SeviyeSınıf / Düzey1. düzey (seçmeli)
Hafta / Tarih2. Hafta · 21–25 Eylül (EYLÜL)Süre2 ders saati (40' + 40')
TemaHAYATIMIZDA YAPAY ZEKÂ
KonuYapay Zekâya Genel Bakış 2: Veri ve Öğrenme
BÖLÜM II · ÖĞRENME ÇIKTILARI VE KAYNAKLAR
Öğrenme çıktısıYZU1.1.1 Yapay zekâya ilişkin temel kavramları sorgulayabilme
Süreç bileşenleri
  • Yapay zekânın veriden nasıl öğrendiğini basit bir örnekle açıklar.
Araç, gereç ve kaynaklarMeyve ya da hayvan görsel kartları (etiketli ve etiketsiz) · Bilişim Ders Notları ders sayfası, sunum ve etkinlikler (bilisimdersnotlari.com)
BÖLÜM III · ÖĞRENME-ÖĞRETME UYGULAMALARI
SüreEtkinlik akışı
1. ders
5 dk		Isınma: Nasıl öğrendin?
Öğrencilere bir kediyi köpekten nasıl ayırt ettikleri sorulur. Cevapların hep "çok gördüm" noktasında birleştiği fark edilir.
1. ders
12 dk		Keşif: Eğitim verisi ve test
Etiketli örneklerle öğrenme, etiketsiz örnekle tahmin kavramları tanıtılır. Az ya da tek tip verinin hatalı tahmine yol açtığı gösterilir.
1. ders
18 dk		Etkinlik: Kâğıt makine
Gruplar etiketli 12 kartı inceleyip bir ayırma kuralı çıkarır (renk, boyut, şekil). Sonra etiketsiz 6 kart üzerinde kurallarını dener ve doğruluklarını sayar.
1. ders
5 dk		Kapanış
Hangi grubun kuralı neden daha iyi çalıştı? Daha fazla ve çeşitli veri fikri tekrarlanır.
2. ders
10 dk		Tekrar: Sunum
7 slaytlık ders sunumu akıllı tahtada açılır; önceki saatte öğrenilen kavramlar öğrencilerle birlikte tekrar edilir.
2. ders
20 dk		Uygulama: Etkinlikler
Akıllı tahtada etkileşimli etkinlikler oynanır: Makine öğrenmesi adımlarını sırala; Kavramı anlamıyla eşleştir; Doğru mu, yanlış mı?; Kutuyu aç: konu soruları; Test yarışması: Yapay Zekâya Genel Bakış 2: Veri ve….
2. ders
10 dk		Değerlendirme
7 soruluk doğru-yanlış testi tahtada birlikte çözülür; yanlış cevaplar gerekçeleriyle tartışılır.
FarklılaştırmaBilgisayarsız sınıf alternatifi: Kâğıt makine. Bu etkinlik makine öğrenmesini bilgisayarsız canlandırır. Bilgisayar varsa Teachable Machine ile aynı fikir görsel sınıflandırmayla denenebilir.
BÖLÜM IV · ÖLÇME VE DEĞERLENDİRME
Ölçme araçlarıGözlem formu, dereceli puanlama anahtarı, performans görevi
Doğru-yanlış soruları
  1. Daha çeşitli veri genellikle daha iyi tahmin sağlar. (D)
  2. Yapay zekâ hiç örnek görmeden her şeyi bilir. (Y)
  3. Etiketli veri, doğru cevabı belli olan örneklerdir. (D)
  4. Etiketsiz veri için model tahmin yapar. (D)
  5. Test, modelin yeni örneklerde başarısını ölçer. (D)
  6. Yanlış etiketli veri modeli iyileştirir. (Y)
  7. Teachable Machine ile tarayıcıda basit model eğitilebilir. (D)
Dersin uygulanmasına ilişkin açıklamalarKartlardan birkaçını bilerek yanlış etiketleyin; "veri hatalıysa model de hatalı öğrenir" sonucuna öğrenciler kendileri ulaşsın.
…………………………Bilişim Teknolojileri Öğretmeni
UYGUNDUR21.09.2026…………………………Okul Müdürü
Bu dersi sınıfta işleyinSunum, tahta modu ve etkileşimli etkinlikler için.
Etkileşimli sürümü aç →