|
|
| END4027 | Yapay Sinir Ağları | 3+0+0 | AKTS:5 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Seçmeli | | Bölümü | ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Prof. Dr. Şükrü ÖZŞAHİN | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Mühendislik problemlerini modellemek ve çözmek için Yapay Sinir Ağları (YSA) sistemlerinin temel prensiplerini ve algoritmalarını öğretmek. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Temel yapay sinir ağ modellerini tanımlayabilecek | 3,4 | 1,6 | | ÖK - 2 : | Yaygın kullanılan YSA modellerini ve öğrenme algoritmalarını belirli bir uygulama için kullanabilecek, | 3,4 | 1,5,6 | | ÖK - 3 : | MATLAB ve onun Yapay Sinir Ağ Aracını kullanarak temel YSA modellerini ve algoritmalarını gerçekleştirebilecektir | 3,4 | 1,3,6 | | 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 | | |
| Yapay zeka ve makine öğrenmesi. YSA'nın temelleri, sinir hücresi modelleri, Çok Katmanlı Algılama ağı (MLP), geriye yayılımlı öğrenme, denetimli öğrenme, denetimsiz öğrenme, pekiştirmeli öğrenme, yapay sinir ağları uygulamaları, proje sunumu |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Yapay zeka ve makine öğrenmesine genel bakış | | | Hafta 2 | Yapay sinir ağlarına giriş, yapay sinir ağlarının temelleri | | | Hafta 3 | Biyolojik ve yapay sinir hücreleri, yapay sinir hücresi modelleri | | | Hafta 4 | Eğiticili öğrenme: Algılayıcı öğrenme kuralı | | | Hafta 5 | Temel ağ topolojileri ve çok katmanlı algılayıcı ağı (MLP) | | | Hafta 6 | Geriye yayılım algoritması | | | Hafta 7 | Radyal Taban Fonksiyonlu (RTF) ağlar | | | Hafta 8 | Eğiticisiz Öğrenme: ART ağları, Destekleyici öğrenme: LVQ modeli,
Kendini inşa eden harita ağı (SOM) | | | Hafta 9 | Arasınav | | | Hafta 10 | Yapay sinir ağları uygulamaları | | | Hafta 11 | Endüstri mühendisliği uygulama örnekleri | | | Hafta 12 | Yapay sinir ağları ile tahmin | | | Hafta 13 | Yapay sinir ağ modelleri ve ilişkin öğrenme algoritmalarının
MATLAB nümerik yazılım ortamında gerçeklenmesi | | | Hafta 14 | Hazır paket program uygulamaları | | | Hafta 15 | Öğrenci sunumları | | | Hafta 16 | Dönem sonu sınavı | | | |
| 1 | Aggarwal, Charu C. 2018; Neural Networks and Deep Learning: A Textbook, Springer, ISBN: 978-3319944623. | | | 2 | Prof. Dr. Çetin Elmas, 2007, "Yapay Zeka Uygulamaları", Seçkin Yayıncılık, 425 s.
Prof. Dr. Ercan Öztemel, 2003, "Yapay Sinir Ağları", Papatya Yayıncılık, 238s. | | | 3 | Haykin, Simon. 2004; Neural Networks: A Comprehensive Foundation, Prentice Hall, 2nd Edition, ISBN: 978-0132733502. | | | |
| 1 | Vasif Nabiyev , Yapay Zeka: Problemler, Yöntemler, Algoritmalar, 2. baskı, 764 s., Seçkin, Ankara, 2005. | | | 2 | Şeref Sağıroğlu, Erkan Beşdok, Mehmet Erler, 2003, "Mühendislikte Yapay Zeka Uygulamaları - I : Yapay Sinir Ağları", Ufuk Yayıncılık, 426s. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | 1.5 | 20 | | Proje | 14 | | 1.5 | 15 | | Ödev | 8 | | 1.5 | 15 | | Dönem sonu sınavı | 16 | | 1.5 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 3 | 12 | 36 | | Arasınav için hazırlık | 8 | 1 | 8 | | Arasınav | 1.5 | 1 | 1.5 | | Ödev | 3 | 2 | 6 | | Proje | 6 | 1 | 6 | | Dönem sonu sınavı için hazırlık | 9 | 1 | 9 | | Dönem sonu sınavı | 1.5 | 1 | 1.5 | | Toplam Çalışma Yükü | | | 110 |
|