MEKATRONİK MÜHENDİSLİĞİ (İNGİLİZCE, TEZSİZ) | |||||
Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey |
Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
CMP5133 | Yapay Sinir Ağları | Bahar | 3 | 0 | 3 | 12 |
Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
Öğretim Dili: | İngilizce |
Dersin Türü: | Departmental Elective |
Dersin Seviyesi: | LİSANSÜSTÜ |
Dersin Veriliş Şekli: | Yüz yüze |
Dersin Koordinatörü: | Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR |
Dersi Veren(ler): |
Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR |
Opsiyonel Program Bileşenleri: | Yok |
Dersin Amacı: | Bu dersin amacı temel yapay sinir ağları mimarilerini ve algoritmalarını tanıtmaktır. Ayruca öğrenciler gerçek hayat problemlerini çözebilmek için sinir ağlarını kullanmayı öğreneceklerdir. |
Bu dersi başarıyla tamamlayabilen öğrenciler; I. Yapay sinir ağları sistemlerinin öğrenme ve genelleme yönlerini açıklayabilmek. II. Geri yayılım algoritmasını bir öğrenme problemine uygulayabilmek. III. Destek vektör makinalrını bir öğrenme problemine uygulayabilmek. IV. Kendi kendini düzenleyen haritaları gerçekleştirebilmek. V. En yaygın sinir ağları mimari ve algoritmalarını açıklayabilmek. |
Perceptrons, doğrusal regresyon, en küçük ortalama kareler, çok katmanlı perceptron, geri yayılım algoritması, destek vektör makinaları, radyal tabanlı fonksiyon ağları, kendi kendini düzenleyen haritalar, geri beslemeli sinir ağları. |
Hafta | Konu | Ön Hazırlık |
1) | Giriş | |
2) | Perceptron | |
3) | Doğrusal regresyon | |
4) | En küçük ortalama kareler algoritması. | |
5) | Çok katmanlı perceptronlar. | |
6) | Geri yayılım algoritması. | |
7) | Destek vektör makinaları | |
8) | Destek vektör makinaları | |
9) | Radyal tabanlı fonksiyon ağları. | |
10) | Radyal tabanlı fonksiyon ağları | |
11) | Kendi kendini düzenleyen haritalar | |
12) | Kendi kendini düzenleyen haritalar | |
13) | Geri beslemeli sinir ağları | |
14) | Geri beslemeli sinir ağları |
Ders Notları / Kitaplar: | Neural Networks and Learning Machines By Simon Haykin Publisher: Prentice Hall; 3 edition |
Diğer Kaynaklar: | Yok - None |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Ödev | 5 | % 25 |
Sunum | 1 | % 10 |
Projeler | 1 | % 25 |
Final | 1 | % 40 |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 35 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 65 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | İş Yükü |
Ders Saati | 14 | 42 |
Proje | 13 | 65 |
Ödevler | 13 | 65 |
Final | 5 | 19 |
Toplam İş Yükü | 191 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
1) | Mekatronik Mühendisliği konularında bilimsel araştırma yapma; bilgiyi değerlendirme, yorumlama ve uygulama becerilerini ve akademik altyapısını kazanır. | |
2) | Mekatronik Mühendisliği uygulamaları için gerekli modern yöntem ve teknikleri seçer uygular ve geliştirir. | |
3) | Mekatronik sistem, bileşen ve süreçlerin tasarımında yeni ve özgün fikir, yöntem ve çözümler geliştirir. | |
4) | Deney tasarlama, veri toplama, deney sonuçlarını analiz etme, raporlama ve uygulamaya aktarma becerisi kazanır. | |
5) | Bireysel ve ekip çalışması yapabilme, ekip üyeleriyle etkin iletişim ve yardımlaşma ve disiplinler arası çalışma yapabilme becerilerini kazanır. | |
6) | Sözlü ve yazılı etkin iletişim kurma becerisini; teknik yenilikleri ve terminolojiyi takip edebilecek düzeyde İngilizce dil bilgisini kazanır. | |
7) | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme ve aktarabilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi kazanır. | |
8) | Evrensel, toplumsal ve mesleki etik bilincine sahip olur. | |
9) | İş hayatına yönelik proje organizasyonu ve yönetimi ve hakkında bilgi; girişimcilik, yenilikçilik ve sürdürebilir kalkınma hakkında farkındalık kazanır. | |
10) | Evrensel ve toplumsal boyutlarda mekatronik mühendisliği uygulamalarının sağlık, çevre, güvenlik ve hukuksal etkileri üzerinde farkındalık kazanır. |