Yapay Zeka ile Özelleştirilmiş Eğitim Sistemleri

Eğitim Hakkında

Bu eğitim, öğrenme yönetim sistemleri ve eğitim platformlarında öğrenen verisine dayalı uyarlanabilir öğrenme, içerik önerisi ve yapay zeka destekli öğretim asistanları geliştiren ekipler için tasarlanmış ileri düzey bir programdır. Katılımcılar öğrenme bilimlerini, bilgi izleme modellerini, öneri algoritmalarını ve bilgi erişimi destekli üretim (RAG) tabanlı asistanları Python ile uygular.

Neden Bu Eğitim?

Pedagoji ile Algoritma. Ustalık öğrenmesi ve aralıklı tekrar gibi öğrenme bilimi bulgularını algoritmik tasarım kararlarına dönüştürün.

Öğreneni Modelleme. Bayesçi ve derin bilgi izleme modelleriyle öğrencinin neyi bildiğini ve sıradaki adımını veriyle tahmin edin.

Güvenli LLM Asistanları. Cevabı vermek yerine düşündüren, ders kaynaklarına bağlı ve denetlenebilir öğretim asistanları geliştirin.

“İyi tasarlanmış bir kişiselleştirme sistemi öğrenciyi algoritmaya uydurmaz; algoritmayı her öğrencinin öğrenme yolculuğuna uydurur.”

Ön Koşullar

Python ve pandas — Python, pandas ve scikit-learn ile veri işleme ve temel model eğitimi yapabilmek.
Makine Öğrenmesi — Sınıflandırma, değerlendirme metrikleri ve aşırı öğrenme kavramlarına aşinalık.
Eğitim Platformu — Moodle, Open edX veya benzeri bir öğrenme yönetim sistemiyle çalışmış olmak.
Çalışma Ortamı — Python 3 ve Jupyter kurulu bir bilgisayar ile bir LLM API anahtarına erişim.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKişiselleştirilmiş öğrenmenin bilimsel temellerini ve uyarlanabilir sistem mimarisini tanımak, eğitim veri standartlarını kavramak ve öğrenme verisini analize hazırlamak.

Modül 1

Kişiselleştirmenin Bilimsel Temelleri

Ustalık öğrenmesi ve birebir öğretim etkisi bulguları
Geri getirme pratiği, aralıklı tekrar ve bilişsel yük
Zorluk düzeyi, yakınsak gelişim alanı ve iskele kurma
Kişiselleştirme, farklılaştırma ve uyarlanabilirlik farkı
Öğrenme stilleri gibi kanıtı zayıf yaklaşımlardan kaçınma
Tartışma: Kişiselleştirme hangi durumda öğrenmeyi artırır?

Modül 2

Uyarlanabilir Sistem Mimarisi

Alan modeli, öğrenen modeli ve pedagojik model bileşenleri
Akıllı öğretim sistemleri: tarihçe ve güncel örnekler
Kazanım grafı ve bilgi bileşenleri (knowledge components)
Q-matrisi ile soru ve beceri eşlemesinin kurulması
Kural tabanlı ve veri güdümlü uyarlama karşılaştırması
Uygulama: Bir dersin kazanım grafının tasarlanması

Modül 3

Eğitim Veri Standartları ve Entegrasyon

xAPI ifadeleri ve öğrenme kayıt deposu (LRS)
LTI 1.3 ile araçların LMS'e güvenli entegrasyonu
Moodle ve Open edX olay günlüklerinin yapısı
Öğrenme analitiği veri hattı ve veri modeli tasarımı
Öğrenci verisinde KVKK, reşit olmayanlar ve anonimleştirme
Demo: xAPI olaylarının LRS'e gönderilmesi ve sorgulanması

Modül 4

Öğrenme Verisini Keşfetmek

ASSISTments, EdNet ve OULAD açık veri setleri
Etkileşim dizileri, deneme sayısı ve ipucu kullanımı
Tıklama verisinden etkileşim ve oyalanma göstergeleri
Veri sızıntısı: öğrenci bazlı ve zamana dayalı bölme
Performans ve bırakma tahmini için referans modeller
Laboratuvar: OULAD ile öğrenci başarı riski analizi

Günün hedefiÖğrencinin beceri düzeyini zaman içinde tahmin eden Bayesçi, psikometrik ve derin öğrenme tabanlı modelleri kurmak, karşılaştırmak ve aralıklı tekrar algoritmalarına bağlamak.

Modül 1

Bayesçi Bilgi İzleme (BKT)

BKT parametreleri: ön bilgi, öğrenme, tahmin ve dikkatsizlik
Gizli Markov modeli olarak bilgi izleme sezgisi
pyBKT ile model eğitimi ve parametre yorumlama
Beceri ustalığı eşiği ve sonraki soruya karar
BKT'nin sınırları: tek beceri varsayımı ve unutma
Laboratuvar: ASSISTments verisiyle BKT modeli

Modül 2

Psikometrik Yaklaşımlar: IRT ve Elo

Madde tepki kuramı ile öğrenci yeteneği kestirimi
Elo derecelendirme sisteminin eğitimde uyarlanması
Öğrenci ve soru zorluğunun eş zamanlı güncellenmesi
Performans faktörleri analizi (PFA) ve lojistik modeller
Soğuk başlangıç sorunu ve yeni soru kalibrasyonu
Laboratuvar: Elo tabanlı yetenek ve zorluk takibi

Modül 3

Derin Bilgi İzleme

LSTM tabanlı derin bilgi izleme (DKT) mimarisi
Dikkat mekanizmalı SAKT ve AKT modelleri
Soru ve beceri gömmeleri ile ilişkilerin öğrenilmesi
AUC ile değerlendirme ve basit modellere karşı kıyas
Yorumlanabilirlik: öğretmene anlamlı çıktı sunmak
Laboratuvar: PyTorch ile DKT modelinin eğitimi

Modül 4

Unutma Eğrisi ve Aralıklı Tekrar

Unutma eğrisi ve hafıza modelleme yaklaşımları
SM-2 ve FSRS aralıklı tekrar algoritmaları
Tekrar zamanlamasını öğrenci verisine göre optimize etme
Bilgi izleme ile tekrar planlamasının birleştirilmesi
Kelime ve kavram öğreniminde uygulama örnekleri
Günün özeti ve öneri sistemleri gününe köprü

Günün hedefiÖğrenen modeline dayalı içerik öneri sistemleri kurmak, öğrenme yolu ve bandit yaklaşımlarını uygulamak, içerikleri dil modelleriyle kazanımlara etiketlemek.

Modül 1

Eğitimde Öneri Sistemleri

Eğitimde öneri ile e-ticaret önerisinin temel farkları
İşbirlikçi filtreleme ve matris ayrıştırma yaklaşımı
İçerik tabanlı öneri ve metin gömmeleri
Popülerlik yanlılığı ve öğrenme değerinin gözetilmesi
Öneri kalitesi: isabet, çeşitlilik ve öğrenme kazancı
Laboratuvar: Kaynak öneri sistemi prototipi

Modül 2

Uyarlanabilir Öğrenme Yolları

Önkoşul grafı ile öğrenme yolu sıralama
Ustalık tabanlı ilerleme ve zorluk ayarlama kuralları
İpucu, geri bildirim ve iskele verme stratejileri
Öğretmen kontrolü ve öğrenci tercihine alan bırakma
Grup çalışması ve sosyal öğrenmenin korunması
Uygulama: Bilgi izleme çıktısına bağlı yol motoru

Modül 3

Bandit ve Pekiştirmeli Öğrenme

Çok kollu bandit problemi ve keşif-sömürü dengesi
Thompson örneklemesi ile alıştırma seçimi
Bağlamsal bandit ile öğrenci özelliklerine göre seçim
Pekiştirmeli öğrenme ile pedagojik politika öğrenimi
Çevrim dışı politika değerlendirmesi ve etik sınırlar
Laboratuvar: Simüle öğrencilerle bandit tabanlı seçim

Modül 4

Dil Modelleriyle İçerik Zenginleştirme

LLM ile içeriklerin kazanım ve beceriye etiketlenmesi
Etiket doğruluğunun uzman örneklemiyle doğrulanması
Seviyeye göre alternatif açıklama ve alıştırma üretimi
Müfredat bilgi grafı oluşturma ve güncelleme
Üretilen içerikte doğruluk, önyargı ve telif kontrolü
Günün değerlendirmesi ve LLM asistanı gününe köprü

Günün hedefiDers kaynaklarına dayalı ve pedagojik korumaları olan bir öğretim asistanı geliştirmek, öğrenme etkisini deneysel olarak ölçmek ve uyarlanabilir sistem prototipini sunmak.

Modül 1

RAG Tabanlı Öğretim Asistanı

Ders notları ve kaynaklardan vektör dizini oluşturma
LlamaIndex veya LangChain ile bilgi erişimi destekli üretim
Kaynak gösteren ve kapsam dışını reddeden yanıtlar
Öğrenen modelinden gelen bilgiyle bağlam zenginleştirme
Maliyet, gecikme ve model seçimi değerlendirmesi
Laboratuvar: Bir ders için RAG öğretim asistanı

Modül 2

Pedagojik Korumalar ve Kalite

Sokratik öğretim: cevabı vermeden düşündüren istemler
Ödev kopyalamaya karşı yanıt politikaları
İçerik güvenliği ve yaşa uygunluk korumaları
Hakem olarak LLM ve öğretmen puanlamasıyla kalite ölçümü
Hatalı açıklamaların tespiti ve geri bildirim döngüsü
Uygulama: Asistan için pedagojik değerlendirme seti

Modül 3

Etki Ölçümü, Entegrasyon ve Etik

LTI 1.3 ile asistanın LMS içine yerleştirilmesi
A/B testleri ile öğrenme kazancının ölçülmesi
Etkileşim metrikleri ile öğrenme çıktısı ayrımı
AB YZ Yasası'nda eğitim sistemleri ve yüksek risk
Öğrenci özerkliği, şeffaflık ve algoritmik adalet
Vaka: Uyarlanabilir platform pilotunun etki raporu

Modül 4

Sistem Prototipi Projesi ve Kapanış

Grup projesi: öğrenen modeli, öneri ve asistan entegrasyonu
Proje sunumları ve mimari geri bildirim
Kurumsal kişiselleştirilmiş öğrenme yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar kodlarının teslimi
İleri öğrenme kaynakları, topluluklar ve kapanış

Eğitim Kazanımları

Öğrenme Bilimi — Ustalık öğrenmesi, aralıklı tekrar ve bilişsel yük bulgularını sistem tasarım kararlarına dönüştürebileceksiniz.
Veri Entegrasyonu — xAPI, LRS ve LTI 1.3 standartlarıyla öğrenme verisini toplayan ve LMS'e entegre olan altyapılar kurgulayabileceksiniz.
Bilgi İzleme — BKT, Elo ve derin bilgi izleme modelleriyle öğrencinin beceri düzeyini zaman içinde tahmin edebileceksiniz.
Aralıklı Tekrar — FSRS gibi algoritmalarla öğrenci verisine göre optimize edilmiş tekrar planları oluşturabileceksiniz.
Öneri ve Yollar — Önkoşul grafı, öneri algoritmaları ve bandit yöntemleriyle kişiye özgü öğrenme yolları tasarlayabileceksiniz.
İçerik Etiketleme — Dil modelleriyle içerikleri kazanımlara etiketleyip uzman doğrulamasıyla müfredat bilgi grafı kurabileceksiniz.
Öğretim Asistanı — Ders kaynaklarına dayalı, Sokratik yaklaşımlı ve pedagojik korumaları olan RAG tabanlı asistanlar geliştirebileceksiniz.
Etki ve Etik — A/B testleriyle öğrenme etkisini ölçen, KVKK ve AB YZ Yasası'nı gözeten bir sistem prototipi geliştireceksiniz.

Kimler İçin Uygundur?

Eğitim teknolojisi geliştiricileri
üniversitelerin uzaktan eğitim ve bilgi işlem ekipleri
öğrenme analitiği uzmanları
teknik öğretim tasarımcıları ile eğitim platformu ürün ekipleri.

Sıkça Sorulan Sorular

Yapay Zeka ile Özelleştirilmiş Eğitim Sistemleri Eğitimi kimler için uygundur?

Program; eğitim teknolojisi geliştiricileri, üniversitelerin uzaktan eğitim ve bilgi işlem ekipleri, öğrenme analitiği uzmanları, teknik öğretim tasarımcıları ve eğitim platformu ürün ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Öğrenme bilimleri ve veri altyapısı, öğrenen modelleme, içerik önerisi ve öğrenme yolları ile LLM tabanlı öğretim asistanları günleri işlenir; son gün prototip sunulur.

Katılım için hangi teknik bilgiler gerekiyor?

Python, pandas ve scikit-learn ile model eğitimi deneyimi ve temel makine öğrenmesi kavramları beklenir. Bir öğrenme yönetim sistemiyle çalışmış olmak ve LLM API erişimi laboratuvarlar için gereklidir.

Eğitimde hangi araç ve veri setleri kullanılıyor?

pyBKT, PyTorch, scikit-learn, LlamaIndex veya LangChain kullanılır; xAPI, LRS ve LTI 1.3 entegrasyonları gösterilir. Uygulamalar ASSISTments, EdNet ve OULAD gibi açık eğitim veri setleriyle yürütülür.

Kurumun kendi LMS verisiyle çalışılabilir mi, sertifika veriliyor mu?

Kapalı kurum gruplarında KVKK koşulları sağlanmış ve anonimleştirilmiş Moodle veya Open edX verileriyle proje yapılabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İLE ÖZELLEŞTİRİLMİŞ EĞİTİM SİSTEMLERİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Kişiselleştirmenin Bilimsel Temelleri

Uyarlanabilir Sistem Mimarisi

Eğitim Veri Standartları ve Entegrasyon

Öğrenme Verisini Keşfetmek

Bayesçi Bilgi İzleme (BKT)

Psikometrik Yaklaşımlar: IRT ve Elo

Derin Bilgi İzleme

Unutma Eğrisi ve Aralıklı Tekrar

Eğitimde Öneri Sistemleri

Uyarlanabilir Öğrenme Yolları

Bandit ve Pekiştirmeli Öğrenme

Dil Modelleriyle İçerik Zenginleştirme

RAG Tabanlı Öğretim Asistanı

Pedagojik Korumalar ve Kalite

Etki Ölçümü, Entegrasyon ve Etik

Sistem Prototipi Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi