|
BIL5050 | Artificial Neural Systems | 3+0+0 | AKTS:7.5 | Yıl / Yarıyıl | Bahar Dönemi | Ders Duzeyi | Yüksek Lisans(Tezli) | Yazılım Şekli | Seçmeli | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI | 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 | İngilizce | Staj | Yok | | Dersin Amacı: | Yapays sinir sistemleri konusunda bilgi vermek |
Öğrenim Kazanımları | PÖKK | ÖY | Bu dersi başarı ile tamamlayan öğrenciler : | | | ÖK - 1 : | Yapay Sinir sistemleri (YSS) modellerini ve yapılarını tanıyabilir. | 1,4,5,8,9,10,15 | 1,3 | ÖK - 2 : | İleri beslemeli YSS' lerin yapısı ve eğitimi hakkında bilgi kazanabilir. | 1,4,5,8,15 | 1,3 | ÖK - 3 : | Geri beslemeli YSS' lerin yapısı ve eğitimi hakkında bilgi kazanabilir. | 1,3,5,8,13,15 | 1,3 | ÖK - 4 : | Çok katmanlı YSS 'lerin çalışmasını ve eğitimini inceleyebilir. | 1,3,4,5,8,9,14,15 | 1,3 | ÖK - 5 : | Çağrışımlı belleklerin çalışmasını ve eğitimini kavrayabilir. | 1,3,5,8,15 | 1,3 | ÖK - 6 : | Evrişimsel Sinir Ağları tasarımı ve uygulamaları | | | 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 sinir sistemlerin (YSS) temel kavramları ve modelleri; Yapay sinir öğrenme kuralları. Tek-katmanlı perceptron sınıflayıcılar. Çok-katmanlı ileri beslemeli ağlar. Tek-Katmalı Geri beslemeli Ağlar, Çağrışımlı bellekler. Evrişimsel Sinir Ağları : Mimarisi, Evrişimsel/Boyut indirgeme katmanları; Ağ modelleri : Alexet, VGGNET, ResNet, DarkNet, DenseNet; Tekrarlayan Sinir Ağları- RNN, Uzun Kısa Süreli Hafıza Sinir Ağları. |
|
Haftalık Detaylı Ders Planı | Hafta | Detaylı İçerik | Önerilen Kaynak | Hafta 1 | ANS'lerin temel kavramları ve modelleri: Biyolojik sinirler, ANS modelleri, Sinirsel süreçleme, Öğrenme ve uyum. | | Hafta 2 | Yapay Sinir Sistemleri (ANS) temel kavramları ve öğrenme modelleri; | | Hafta 3 | Nöron modelleri (Sign-Sigmoid-Softmax-ReLU) matematiksel kavramları; | | Hafta 4 | Tek katmanlı Ağlar Perceptron ; Hataların Geri Yayılımı teorisi ve uygulaması; | | Hafta 5 | Çoklu Katmanlı Yapay Sinir Ağ teorisi ve tasarımı; | | Hafta 6 | Tam Bağlantılı Yapar Sinir Ağlarında Hatanın geri yayılımı eğitimi algoritma ve C/C++ kodlaması ; | | Hafta 7 | Çoklu katmanlı ağ modellerinde Öğrenme faktörleri; | | Hafta 8 | Tam Bağlantılı Sinir Sistemleri ile Regresyon; | | Hafta 9 | Ara Sınav | | Hafta 10 | Geri beslemeli ağlar. Çağrışımlı bellekler. Denetimsiz Öğrenme kavram ve ağ modelleri ve Kümeleme; | | Hafta 11 | Evrişimsel Sinir Ağları : Temel işlevler, mimarisi, kavram ve ileri-yön hesaplaması; | | Hafta 12 | Evrişimsel Sinir Ağları : Ağırlık parametrelerinin eğitimleri, Hatanın-Geri yayılımın uyarlanması Teorisi ve C/C++ ile kodlaması; | | Hafta 13 | CNN Ağ Mimari modelleri : AlexNet, VGGNET, ResNet, DenseNet; | | Hafta 14 | Evrişimsel Sinir Ağlarında Nöron modelleri : | | Hafta 15 | Nesne Algılama Modelleri amaçlı Ağ Mimarileri (FCN, YOLO); İmge Bölütleme Uygulama Derin ağ mimarileri (SegNet, U-Net); | | Hafta 16 | Dönem sonu sınavı | | |
1 | Jacek M. Zurada, Artificial Neural Systems, West Publishing Company | | |
1 | Simon Haykin, Neural Networks and Learrning Machines, Pearson International Edition | | 2 | Mohamad H. Hassoun, Fundamentals of Artificial Neural Networks, The MIT Press | | |
Ölçme Yöntemi | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | Proje | 15 | 25012021 | 10 | 50 | Dönem sonu sınavı | 16 | 17/01/2021 | 2.0 | 50 | |
Öğrenci Çalışma Yükü | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | Yüz yüze eğitim | 3 | 14 | 42 | Sınıf dışı çalışma | 3 | 14 | 42 | Arasınav için hazırlık | 4 | 1 | 4 | Arasınav | 2 | 1 | 2 | Proje | 25 | 1 | 25 | Dönem sonu sınavı için hazırlık | 5 | 1 | 5 | Dönem sonu sınavı | 2 | 1 | 2 | Toplam Çalışma Yükü | | | 122 |
|