megamenu.disHastanesi
Slide background
Bilgisayar Mühendisliği Bölümü

Meü

Slide background
Bilgisayar Mühendisliği Bölümü

Meü

Bilgisayar Mühendisliği Bölümü

Vizyonumuz

Bilgisayar mühendisliği alanında ulusal ve uluslararası düzeyde tanınan, yenilikçi teknolojiler geliştiren ve bunları toplumsal faydaya dönüştürecek nitelikli mezunlar yetiştiren bir bölüm olmak.


Misyonumuz

  • Bölümümüzün eğitim-öğretim programlarını; teori ve pratiği bütünleştiren, güncel teknolojilere dayalı içeriklerle sürekli yenileyerek dünya standartlarına taşımak.
  • Öğrencilerimizin araştırma, sorgulama ve üretme becerilerini geliştiren; aktif öğrenme yöntemleriyle donanım, yazılım ve proje deneyimini destekleyen bir eğitim modeli uygulamak.
  • Mesleki etik ilkelerine bağlı, yaşam boyu öğrenmeyi benimsemiş ve ülke sorunlarına duyarlı mühendisler yetiştirmek.

Genel Bilgiler

Tarihçe

Bilgisayar Mühendisliği Bölümümüz 1994 yılında kurulmuş; ilk öğrencilerini 1996-1997 eğitim-öğretim yılında kabul etmiş, ilk mezunlarını ise 1999-2000 yılında vermiştir. 2006-2007 yılına kadar ÖSS ile yıllık 30 öğrenci almış, 2005-2006’dan itibaren çift anadal ve yan dal programları başlatılmıştır. 2007-2015 yılları arasında YÖK kararı ile lisans öğrencisi kabul edilmeyen bölümümüzde, 2015-2016’dan itibaren yeniden alıma başlanmış ve 2016-2017’den itibaren %30 İngilizce eğitim modeli uygulanmaktadır.

Eğitim Süresi ve Modeli

  • Süre: 4 yıl + zorunlu hazırlık sınıfı (Yabancı dil muafiyet sınavını geçen öğrenciler hazırlıktan muaf tutulur).
  • Eğitim Dili: %30 İngilizce, %70 Türkçe.
  • Model: Yarı-aktif eğitim yaklaşımı ile ezberci sistemin ötesine geçerek; proje tabanlı öğrenme, sorumluluk, girişimcilik ve kişisel gelişimi destekleyici faaliyetler sunulur.
  • Mezuniyet Şartları: Toplam ders yükü, 40 iş günü yaz stajı ve iki bitirme projesinin başarıyla tamamlanması sonucunda “Bilgisayar Mühendisliği” diploması ve unvanı kazanılır.

Çalışma Alanları ve İş Olanakları

Mezunlarımız; kamu kurumları, özel sektör, AR-GE merkezleri, teknoloji firmaları ve start-up’larda:

  • Bilgisayar Mühendisi / Yazılım Mühendisi
  • Sistem / Ağ Yöneticisi
  • Veri Tabanı Yöneticisi
  • Yazılım Proje Yöneticisi / Ekip Lideri
  • Test ve Kalite Güvence Uzmanı
  • Sistem Analisti / İş Analisti
  • Gömülü Sistem ve Mikroişlemci Mühendisi
  • Oyun ve Grafik Mühendisi
  • Bilgi Teknolojileri Yöneticisi (CIO)

Derslik ve Laboratuvar İmkanları

  • Bölüme ait derslikler ve Mühendislik Fakültesi ortak sınıfları.
  • Güncel teknolojilerle donatılmış 100 bilgisayarlık bilgisayar laboratuvarı.
  • Sayısal mantık devreleri, mikroişlemciler ve gömülü sistemler laboratuvarı.
  • Ağ, multimedya ve yapay zeka laboratuvarı gibi uzmanlık alanlarına yönelik seçmeli laboratuvar imkânları.
  • Çiftlikköy Kampüsü’ndeki Mersin Teknopark ve MEITAM iş birliğiyle staj ve proje olanakları.
  • Mikrodenetleyiciler, elektronik devreler laboratuvar imkânı.
  • Merkez Kütüphane’de bilgisayar mühendisliği literatürüne ulaşım.

Neden Mersin Üniversitesi Bilgisayar Mühendisliği?

  • Güncel Müfredat: YÖK standartlarına ve Bologna sürecine uyumlu, dünya ölçeğinde rekabet edebilecek ders içerikleri.
  • İngilizce Eğitim: %30 İngilizce dersler ve hazırlık sınıfıyla uluslararası literatürü yakından takip edebilen mezunlar.
  • Uluslararası İşbirlikleri: Yabancı uyruklu öğretim üyeleri ve yazılım alanında Hindistan, Pakistan gibi ülkelerle planlanan projeler.
  • Aktif Öğrenme: Proje-tabanlı dersler, araştırma-geliştirme bileşenleri ve girişimcilik odaklı yan derslerle öğrencilerin yaratıcılık ve liderlik becerileri desteklenir.
  • Uzmanlaşma İmkanları: Yazılım, donanım (gömülü sistemler), oyun ve grafik mühendisliği, mobil ve web teknolojileri başta olmak üzere geniş seçmeli ders portföyü.
  • Disiplinlerarası Destek: Bilişim hukuku, ekonomi, yönetim ve psikoloji gibi derslerle mühendislik dışı bilgi birikimi.

Mersin Üniversitesi Bilgisayar Mühendisliği Bölümü, öğrencilerini sadece mühendis olarak değil; yenilikçi, girişimci ve sektörün ihtiyaçlarına hızlı adapte olabilen liderler olarak yetiştirmeyi hedefler.


Son İki Yılda Uluslararası Dergilerde Yayınlanan Makaleler

2024
15. Yamaçlı, V.; Işıker, H.; Yetgin, Z.; Abacı, K. Solving Optimal Power Flow Control Problem Using Honey Formation Optimization Algorithm. IEEE ACCESS, 2024, 12, 109293-109322.
10.1109/ACCESS.2024.3439021
14. Kurucan, M.; özbaltan, M.; Yetgin, Z.; Alkaya, A. Applications of artificial neural network based battery management systems: A literature review. RENEWABLE AND SUSTAINABLE ENERGY REVIEWS, 2024, 192, 114262-.
10.1016/j.rser.2023.114262
13. Babaoğlu, .; Kahveci, S.; Kılıç, A. Enhanced pyramidal residual networks for single image super-resolution. NEURAL COMPUTING AND APPLICATIONS, 2024, 36, 11563-11577.
10.1007/s00521-024-09702-1
12. Toktaş, F.; Erkan, U.; Yetgin, Z. Cross-channel color image encryption through 2D hyperchaotic hybrid map of optimization test functions. EXPERT SYSTEMS WITH APPLICATIONS, 2024, 249, 123583-.
10.1016/j.eswa.2024.123583
11. Erişti, B.; Yamaçlı, V.; Erişti, H. A novel microgrid islanding classification algorithm based on combining hybrid feature extraction approach with deep ResNet model. SPRINGER SCIENCE AND BUSINESS MEDIA LLC, 2024, 106, 145-164.
10.1007/s00202-023-01977-2
10. Eşsiz, U.; Acı, .; Saraç eşsiz, E.; Acı, M. Deep Learning-Based Prediction Models for the Detection of Vitamin D Deficiency and 25-Hydroxyvitamin D Levels Using Complete Blood Count Tests. ROMANIAN JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY, 2024, 27, 295-309.
10.59277/ROMJIST.2024.3-4.04
9. Elevi, A.; Kahveci, S.; Avaroğlu, E. Image contrast enhancement using a low-discrepancy population initialized gray wolf optimization algorithm. MULTIMEDIA TOOLS AND APPLICATIONS, 2024, 83, 50307-50328.
10.1007/s11042-023-17366-7
8. Avaroğlu, E.; Kahveci, S.; Akkurt, R. Optimization of Acoustic Entropy Source for Random Sequence Generation Using an Improved Grey Wolf Algorithm. TRAITEMENT DU SIGNAL, 2024, 41, 791-799.
10.18280/ts.410220
7. Abacı, K.; Yetgin, Z.; Yamaçlı, V.; Işıker, H. Modified effective butterfly optimizer for solving optimal power flow problem. HELIYON, 2024, 10, -.
10.1016/j.heliyon.2024.e32862
6. Bektaş, J. Automating an Encoder–Decoder Incorporated Ensemble Model: Semantic Segmentation Workflow on Low-Contrast Underwater Images. APPLIED SCIENCES, 2024, 14, -.
10.3390/app142411964
2023
5. Yergök, D.; Acı, M. Demand Forecasting for Food Production Using Machine Learning Algorithms: A Case Study of University Refectory. TEHNICKI VJESNIK-TECHNICAL GAZETTE, 2023, 30, 1683-1691.
10.17559/TV-20230117000232
4. Kutluer, N.; Arslan solmaz, .; Yamaçlı, V.; Erişti, B.; Erişti, H. Classification of breast tumors by using a novel approach based on deep learning methods and feature selection. SPRINGER SCIENCE AND BUSINESS MEDIA LLC, 2023, 200, 183-192.
10.1007/s10549-023-06970-8
3. Yetgin, Z.; Ercan, U. Honey formation optimization with single component for numerical function optimization: HFO-1. NEURAL COMPUTING & APPLICATIONS, 2023, 35, 27-.
10.1007/s00521-023-08984-1
2. Cüvitoğlu, A.; ışık, Z. Network neighborhood operates as a drug repositioning method for cancer treatment. PEERJ, 2023, 11, -.
10.7717/peerj.15624
1. Mete, S.; Serin, F.; çil, Z.; çelik, E.; özceylan, E. A comparative analysis of meta-heuristic methods on disassembly line balancing problem with stochastic time. SPRINGER SCIENCE AND BUSINESS MEDIA LLC, 2023, 321, -.
10.1007/s10479-022-04910-1