Bölümümüz öğretim üyelerinin yaptıkları akademik çalışmalar ve dört yıllık lisans eğitimi müfredatımız, yapay zekâ ve veri mühendisliğindeki günümüzde popüler olan ve giderek önemi artacak olan alanları içermektedir.  Lisans eğitimine başlayan öğrencilerimiz, ders müfredatımız doğrultusunda yapay zekâ ve veri mühendisliğinin gerektirdiği bilgisayar bilimleri ve matematik dersleri ile sağlam bir altyapı edindikten sonra zorunlu ve seçimlik dersler ile makine öğrenmesi, derin öğrenme, doğal dil işleme, büyük veri analitiği vb. alanlarda eğitimlerini sürdüreceklerdir. 

Makine Öğrenmesi 

Yapay zekânın bir alt alanı olan makine öğrenmesi, bilgisayar tabanlı sistemlerin herhangi bir probleme ait kuralların kendisine verilmemesine rağmen ilgili problemi çözmek için kendini eğitmesidir. Bu sistemler, sonlu adımlar dizisi olarak da adlandırılan algoritma modelleridir. Modeller sağlık alanında bir hastalık teşhisi, finans alanında banka işlemlerinde anormal bir akışın tespit edilmesi, sosyal medya üzerinde kullanıcı odaklı reklamlar için kullanıcı gruplanması ya da bir otonom aracın karar vermesi gibi birçok amaç için kullanılabilmektedir. 

Derin Öğrenme

Makine öğrenmesinin alt alanı olan derin öğrenme, beyin içerisindeki nöronların hesaplama mekanizmaları ve nöronlar arasındaki bağlantıların çalışma şeklini örnek olan bir yaklaşımdır. “Derin” ifadesi, nöronların bağlantılar ile birden fazla olacak şekilde katmanlar halinde sıralanmasından gelmektedir. Günümüzde geçmişe göre çok daha güçlü olan dil çeviri, konuşma tanıma ya da otonom sistemler derin öğrenme algoritmalarından oluşturulan modelleri kullanmaktadırlar.

Veri Madenciliği

Bir alana ait yeteri miktardaki veriler, o alana ait faydalı bilgileri çıkartmak için kullanılabilir. Bu verilerin miktarca büyüklüğü ve düzensizliği nedeni ile yüzeysel bir bakış açısı ile bu bilgileri çıkarmak zordur.  Veri madenciliği, bu veriler üzerinde matematiksel yaklaşımlar ile bilgileri çıkarmak için yapılan işlemler bütünüdür. Bu veriler tablo halinde bulunan düzenli veriler olabileceği gibi metin, ses ya da görüntü cinsinden veriler de olabilmektedir. Şirketler için veriler üzerinde pazar analizi yapmak ya da insan kaynakları alanında mevcut veri tabanında potansiyel çalışan adayını belirlemek veri madenciliği uygulamalarına örnek verilebilir.

Doğal Dil İşleme

Doğal dil işleme çalışmaları, bilgisayar tabanlı yapay sistemlerin insanlar tarafından konuşulan Türkçe veya İngilizce gibi doğal dilleri anlamasını, yorumlamasını ve içerik üretmesini kapsar. 2020’li yıllar itibari ile insanlar ile diyalog kurarak insanların hayatını kolaylaştıran doğal dil işleme uygulamaları ya da kısaca dil modelleri popülerliğini her geçen gün artırmaktadır. Diyalog sistemlerinin yanı sıra dil çevirisi, duygu analizi ve metin özetleme gibi uygulamalar doğal dil işleme uygulamalarına örnek verilebilir.

Biyoenformatik

Biyoenformatik, biyoloji alanındaki verileri de kullanarak ilgili alan üzerinde çözümler geliştirmek için bilgisayar bilimi yöntemlerinin kullanılmasıdır. Biyoenformatik uygulamaları ile sağlık veya genetik gibi alanlarda çalışmalar yaparak canlıların yaşam kalitesi ve süresini artıracak önemli çalışmalar yapılabilmektedir.  Genetik hastalıkların teşhisi ya da ilaç geliştirilmesindeki verilerin kullanılması ve analizi biyoenformatik çalışmalarına örnek verilebilir.

Optimizasyon Algoritmaları

Optimizasyon algoritmaları herhangi bir probleme ait çözümleri zaman içerisinde iyileştirmeye çalışan algoritmalardır. Bu algoritmalar sürü zekâsı, evrimsel mekanizmalar ya da yörünge tabanlı yaklaşımlardan yola çıkarak çalışmaktadır. Veri mühendisliği problemlerinden diğer mühendislik problemlerine kadar algoritmaların çalışma şekline uyum sağlayan tüm problemler üzerinde kullanılabilmektedirler.