|
|
| BIL4015 | Yapay Sinir Ağları | 3+0+0 | AKTS:4 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Seçmeli | | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Prof. Dr. Murat EKİNCİ | | Diğer Öğretim Üyesi | Yok | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Yapay sinir ağlarının temellerini öğretmektir. Yapay sinir ağları matematiksel modeli kurulamayan ama giriş çıkış davranışı bilinen sistemlerin donanımsal veya yazılımsal olarak gerçeklenmesine imkan sağlar. İnsanlarda olduğu gibi, bazı işleri matematik kullanmadan da eğitimle yürütmenin mümkün olabileceğini göstermektir. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Yapay Sinir Ağ (YSA) modellerini ve yapılarını tanıyabilir. | 2,3,4,12 | 1, 3 | | ÖK - 2 : | İleri beslemeli YSA'ların yapısı ve eğitimi hakkında bilgi kazanabilir. | 2,3,4,12 | 1, 3 | | ÖK - 3 : | Geri beslemeli YSA'ların yapısı ve eğitimi hakkında bilgi kazanabilir. | 2,3,4,12 | 1, 3 | | ÖK - 4 : | Çok katmanlı YSA'ların çalışmasını ve eğitimini inceleyebilir. | 2,3,4,12 | 1, 3 | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Giriş; Yapay Sinir Ağları Modelleri ve Temel Kavramları; Sinir Ağlarınca Öğrenme Kuralları; Sınıflandırma Modelleri : Ayırtaç Fonksiyonlar, Doğrusal Makineler ; Paramaetrik olmayan Eğitim Kavramları; Ayrık Perceptron modelli Eğitim ve Sınıflandırma; Tek-Katmanlı Tek Seviyeli Sürekli fonksiyonlu Perceptron Ağları; Tek-Katmanlı Çok-Seviyeli Sürekli fonksiyonlu Ağlar; Çoklu perceptron katmanlı ağlarda Delta Öğrenme Kuralı; Tam Bağlantılı Çok katmanlı Ağlarda Genelleştirmişi Delta Kuralı; Çok-Katmanlı Ağlarda Öğrenmeyi Etkileyen Faktörler; Tek-Katmanlı Geri Beslemeli Ağlar, Denetimsiz Öğrenme ve Kümelemeler; Evrişimsel Sinir Ağları (ESCNN); CNN Mimarileri: ALexNet, VGGNet, ResNet, YOLO |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Yapay sinir Ağları (YSA): Giriş | | | Hafta 2 | Yapay Sinir Ağları Modelleri ve Temel Kavramları | | | Hafta 3 | Sinir Ağlarında Öğrenme Kuralları | | | Hafta 4 | Sınıflandırma Modelleri : Ayırtaç Fonksiyonlar, Doğrusal Makineler | | | Hafta 5 | Parametrik olmayan Eğitim Kavramları | | | Hafta 6 | Tek katmanlı Ayrık Perceptron modelli Eğitim ve Sınıflandırma | | | Hafta 7 | Sınıflandırma ve Regrasyonda Tek-Katmanlı Sürekli fonksiyonlu Perceptron Ağları | | | Hafta 8 | Doğrusal Ayrıştırılamayan Örüntü Sınıflandırması | | | Hafta 9 | Ara Sınav | | | Hafta 10 | Çoklu perceptron katmanlı ağlarda Delta Öğrenme Kuralı | | | Hafta 11 | Tam Bağlantılı Çok katmanlı Ağlarda Genelleştirmiş Delta Kuralı (Hatanın Geriye Yayılımı) | | | Hafta 12 | Çok-Katmanlı Ağlarda Öğrenmeyi Etkileten Faktörler | | | Hafta 13 | Tek-Katmanlı Geri Beslemeli Ağlar, Denetimsiz Öğrenme ve Kümelemeler | | | Hafta 14 | Convolutional Neural Networks (CNN) | | | Hafta 15 | CNN Mimarileri Sınıflandırma, Algılama, Bölütleme : ALexNet, VGGNet, ResNet, YOLO, U-Net | | | Hafta 16 | Dönem sonu sınavı | | | |
| 1 | Zurada, M., J., 1992, Introduction to Artificial Neural Systems, West Publishing Company, 825 p. | | | |
| 1 | Cichocki, A., Unbehauen, R., 1993, Neural Networks for Optization and Signal Processing, John Wiley, 526 p. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | 25/11/2020 | 2 | 30 | | Proje | 15 | 29/12/2020 | 2 | 20 | | Dönem sonu sınavı | 16 | 25/01/2021 | 2 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 1 | 14 | 14 | | Arasınav için hazırlık | 10 | 1 | 10 | | Arasınav | 2 | 1 | 2 | | Ödev | 2 | 8 | 16 | | Dönem sonu sınavı için hazırlık | 11 | 1 | 11 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 97 |
|