|
|
| YZT2005 | Yapay Sinir Ağları ve Derin Öğrenme | 3+0+0 | AKTS:5 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Ön Lisans | | Yazılım Şekli | Zorunlu | | Bölümü | BİLGİSAYAR TEKNOLOJİLERİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Öğr. Gör. Elif ARAS | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Yapay sinir ağları ve derin öğrenme yöntemlerinin temel kavramlarını, çalışma prensiplerini ve uygulama alanlarını öğretmektir. Bu ders, öğrencilerin yapay zeka ve makine öğrenimi problemlerini çözmek için ileri düzey algoritmaları anlamalarını ve kullanabilmelerini sağlamayı hedefler. Ayrıca, sinir ağlarının mimarileri, eğitim süreçleri ve optimizasyon teknikleri gibi konular üzerinde durarak, teorik bilgilerin yanı sıra uygulamalı projelerle pratik becerilerin geliştirilmesini amaçlar. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | CNN hakkında yetkinlik | 1,3,4,5 | 1,3, | | ÖK - 2 : | TensorFlow ve PyTorch üzerinde yetkinlik | 1,2,3,7 | | | ÖK - 3 : | Sinir ağlarını eğitme | 1,2,3,7 | | | ÖK - 4 : | Aşırı uydurmaya karşı önlemler | 1,2,3,7 | | | ÖK - 5 : | Derin öğrenme modellerinde pratikleşme | 1,2,3,7 | | | 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 | | |
| Temel sinir ağı mimarisi ve bileşenleri, Aktivasyon fonksiyonları ve sinir ağlarındaki rolü, Evrişimli sinir ağları (CNN'ler) ve görüntü işlemedeki uygulamalar |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Sinir Ağlarına Giriş | | | Hafta 2 | Perceptronlar ve doğrusal ayrılabilirlik | | | Hafta 3 | Aktivasyon Fonksiyonları | | | Hafta 4 | Yönlü sinir ağları | | | Hafta 5 | Geri Yayılım Algoritması | | | Hafta 6 | Gradyan inişi optimizasyonu | | | Hafta 7 | Düzenleme Teknikleri: L1 ve L2 Düzenlemesi, Dropout Düzenlemesi | | | Hafta 8 | Evrişimli Sinir Ağları (CNN'ler) | | | Hafta 9 | Ara Sınav | | | Hafta 10 | CNN'lerle Görüntü Sınıflandırma | | | Hafta 11 | Transfer Öğrenme | | | Hafta 12 | Tekrarlayan Sinir Ağları (RNN'ler) | | | Hafta 13 | Sıra-Sıra Modeller | | | Hafta 14 | Derin Öğrenme Çerçevelerine Bakış | | | Hafta 15 | TensorFlow veya PyTorch | | | Hafta 16 | Final Sınavı | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | 1 | 50 | | Dönem sonu sınavı | 16 | | 1 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 15 | 45 | | Sınıf dışı çalışma | 2 | 15 | 30 | | Arasınav için hazırlık | 1 | 9 | 9 | | Arasınav | 1 | 1 | 1 | | Ödev | 2 | 10 | 20 | | Dönem sonu sınavı için hazırlık | 1 | 15 | 15 | | Dönem sonu sınavı | 1 | 1 | 1 | | Toplam Çalışma Yükü | | | 121 |
|