YAPAY ZEKA MÜHENDİSLİĞİ
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Tanıtım Bilgileri

Ders Kodu	Ders Adı	Yarıyıl	Teorik	Pratik	Kredi	AKTS
AIN3002	Derin Öğrenme	Bahar	3	0	3	6

Temel Bilgiler

Öğretim Dili:	İngilizce
Dersin Türü:	Must Course
Dersin Seviyesi:	LİSANS
Dersin Veriliş Şekli:	Hibrit
Dersin Koordinatörü:	Dr. Öğr. Üyesi FATİH KAHRAMAN
Opsiyonel Program Bileşenleri:	-
Dersin Amacı:	Derin Öğrenme (DL), verilerden hiyerarşik örüntüleri ve temsilleri otomatik olarak öğrenmek için yapay sinir ağlarının geliştirilmesine ve eğitilmesine odaklanan bir Makine Öğrenimi (ML) alt alanıdır. Son on yılda Derin Öğrenme, yapay zeka (AI) alanında devrim yaratarak bilgisayarla görme, doğal dil işleme, konuşma tanıma ve üretken modelleme gibi alanlarda çığır açan ilerlemelere olanak sağlamıştır. Büyük ölçekli veri kümelerinden, gelişmiş mimarilerden ve yüksek performanslı bilgi işlemden yararlanan DL modelleri, karmaşık, gerçek dünya sorunlarını insan düzeyinde ve hatta insanüstü performansla çözmede dikkate değer yetenekler göstermiştir. Bu kurs, akademik araştırmalarda da yaygın olarak kullanılan TensorFlow ve PyTorch gibi endüstri standardı araçları kullanarak gelişmiş teorik kavramları pratik uygulama ile birleştirerek Derin Öğrenmenin derinlemesine bir keşfini sağlar. Dersler ve uygulamalı kodlama oturumlarının bir karışımı aracılığıyla öğrenciler, sinir ağı mimarileri, optimizasyon stratejileri, düzenleme teknikleri, evrişimli ve tekrarlayan sinir ağları, dönüştürücüler, üretken modeller ve seçilen son teknoloji mimariler dahil olmak üzere geniş bir konu yelpazesini ele alacaklardır.Daha fazla uygulamalı öğrenmeyi desteklemek için, kodlama becerilerini ve proje geliştirmeyi güçlendirmek için tasarlanmış ödevlerin yanı sıra özenle seçilmiş açık kaynaklı çevrimiçi kaynaklara ve öğreticilere erişim sağlanacaktır. Kurs gerekliliklerinin bir parçası olarak, öğrenciler kendi seçtikleri gerçek dünya problemini çözmek için derin öğrenme tekniklerini uyguladıkları kapsamlı bir final projesini tamamlayacaklardır. Proje, öğrencilerin derin öğrenme uygulamaları konusundaki anlayışlarını ve iletişimlerini geliştirmek için hem eğitmenden hem de akranlarından yapıcı geri bildirim alacakları bir sınıf sunumuyla sonuçlanacaktır. Bu derste öncelikle Python programlama dili kullanılacak ve kodlama için ana çerçeve olarak TensorFlow ve PyTorch kullanılacaktır.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
I. DL foundation modellerini anlar
II. Algoritmaları gerçek problemlere uygular
III. Sinir ağlarını tasarlamar ve eğitir
IV. Gelişmiş derin öğrenme mimarilerini keşfeder
V. En güncel DL öğrenme algoritmalarını anlar

Dersin İçeriği

Yapay zekanın temel bir bileşeni olan Derin Öğrenme dersi, Yapay Zeka programında gerekli olan temel beceri ve yetkinliklerin geliştirilmesinde önemli bir rol oynamaktadır. Teorik bilgi ve pratik uygulama arasındaki boşluğu dolduran bu ders, öğrencilerin mesleki eğitimine ve kariyer hazırlığına önemli ölçüde katkıda bulunarak onları yapay zeka, makine öğrenimi, derin öğrenme ve veri bilimi alanlarındaki rollere hazırlamaktadır. Dersin öğrenme çıktıları, yapay zeka teknolojilerinin ve bunların gerçek dünyadaki uygulamalarının daha iyi anlaşılmasını sağlayarak programın genel hedefleriyle doğrudan uyumludur. Öğrenciler, bilgisayarla görme ve doğal dil işleme gibi çeşitli alanlardaki karmaşık sorunları çözmek için gerekli olan derin öğrenme modellerinin tasarımı, uygulanması ve optimizasyonu dahil olmak üzere gelişmiş teknik beceriler geliştireceklerdir. Ayrıca, kurs TensorFlow ve PyTorch gibi endüstri standardı araçlarla pratik kodlama deneyimini vurgulayarak öğrencilerin uygulamalı becerilerle donatılmasını sağlar.
iş piyasasında oldukça değerlidir.

Ayrıca bu kurs, programın bağımsız araştırma yapabilen ve yapay zeka alanındaki ileri düzey problemlerin üstesinden gelebilen mezunlar yetiştirme hedefini de desteklemektedir. Öğrenciler, derin öğrenme tekniklerini gerçek dünyadaki zorluklara uyguladıkları proje tabanlı öğrenme yoluyla problem çözme yeteneklerini geliştireceklerdir. Derin öğrenme modellerine ince ayar yaparak, performanslarını değerlendirerek ve hiperparametreleri anlayarak, öğrenciler yapay zeka çözümlerini verimli bir şekilde optimize etmek ve dağıtmak için gerekli uzmanlığı kazanacaklardır.

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Overview of AI, ML, and DL; Historical Evolution of DL; Efficient DL; DL and AI Applications in Different Domains; Course Principles
2)	Mathematical foundations: Derivatives, Matrices; Basics of neural networks: perceptron, logistic regression
3)	Mathematical foundations: Derivatives, Matrices; Basics of neural networks: perceptron, logistic regression Hyperparameters; Activation Functions; Loss Functions; Optimization and Learning Rate
4)	Common Optimization Techniques; Dataset Split for Training and Test; Overfitting and Underfitting
5)	Regularization Techniques; Introduction on Google Colab and Coding with Tensorflow and Pytorch; Applying Linear Regression by Tensorflow and Pytorch in Google Colab
6)	Image Fundamentals; Computer Vision and Applications; Image-based Classification; Convolutional Neural Networks (CNNs); Applying Image Classification by Tensorflow and Pytorch in Google Colab
7)	Hyperparameters of Convolutional Layer; Pooling Layer; Batch Normalization; Classification Layers in CNN; Evaluation Metrics for Image Classification
8)	Midterm Exam
9)	ROC Curve as an Evaluation Metric; Common CNN Models: LeNet, AlexNet, VGG, GoogLeNet, ResNet; Transfer Learning; Applications of CNN; Applying CNN models by Tensorflow and Pytorch in GoogleColab	Practice on the provided code notebooks for hyperparameter tuning
10)	Recurrent Neural Network; Applying RNN models by Tensorflow and Pytorch in Google Colab
11)	Transformers; Applying Transformer models by Tensorflow and Pytorch in Google Colab	Practice on the provided code notebooks for hyperparameter tuning
12)	Deep Generative Models; Applying generative models by Tensorflow and Pytorch in Google Colab
13)	Other Applications and Deep Learning Architectures, New Frontiers, and State-of-the-art models
14)	Final review of the course
14)	Final review of the course

Kaynaklar

Ders Notları / Kitaplar:

Title: “Deep Learning”
Author: Ian Goodfellow, Yoshua Bengio, Aaron Courville
Link: https://www.deeplearningbook.org/
➢ Title: “Deep Learning for Computer Vision”
Author: Adrian Rosebrock
Link: https://pyimagesearch.com/deep-learning-computer-vision-python-book/
➢ Title: “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”
Author: Aurélien Géron
Link:https://www.amazon.com/Hands-Machine-Learning-Scikit-LearnTensorFlow/dp/1492032646
➢ Title: “Neural Networks and Deep Learning”
Author: Michael Nielsen
Link: http://neuralnetworksanddeeplearning.com/
➢ Title: “Deep Learning with Python”
Author: François Chollet
Link: https://www.amazon.com/Deep-Learning-Python-Fran%C3%A7ois-Chollet/dp/1617296864

Diğer Kaynaklar:

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Küçük Sınavlar	5	% 10
Ödev	4	% 10
Projeler	1	% 20
Ara Sınavlar	1	% 20
Final	1	% 40
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 40
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 60
Toplam		% 100

AKTS / İş Yükü Tablosu

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ders Saati	14	3	42
Sınıf Dışı Ders Çalışması	14	3	42
Sunum / Seminer	1	2	2
Proje	1	12	12
Ödevler	4	2	8
Küçük Sınavlar	4	1	4
Ara Sınavlar	1	2	2
Final	1	2	2
Toplam İş Yükü			114

Program ve Öğrenme Kazanımları İlişkisi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

	Dersin Program Kazanımlarına Etkisi	Katkı Payı
1)	Matematik, Fen Bilimleri ve Yapay Zeka Mühendisliği disiplinine özgü konularda yeterli bilgi birikimi; bu alandaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilir.	5
2)	Karmaşık Yapay Zeka sistemleri, platformları, süreçleri, cihazları veya ürünleri gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar ve bu amaçla modern tasarım yöntemlerini uygular.	5
3)	Karmaşık Yapay Zeka Mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular.	4
4)	Yapay Zeka Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirir, seçer ve kullanır; bilişim teknolojilerini etkin bir şekilde kullanır.	5
5)	Karmaşık Yapay Zeka Mühendisliği problemlerinin veya araştırma konularının incelenmesi için sayısal veya fiziksel deney tasarlar ve yapar, veri toplar, sonuçları analiz eder ve yorumlar.	5
6)	İngilizce ve Türkçe (eğer Türk vatandaşı ise) sözlü ve yazılı etkin iletişim kurma becerisi; alanındaki yenilikleri takip edebilecek düzeyde İngilizce dil bilgisi (Avrupa Dil Portföyü B1 genel düzeyi) kazanır; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi kazanır.	5
7)	Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerilerine sahip olur.
8)	Etik ilkelerine uygun davranır, mesleki ve etik sorumluluk bilinci sahibidir; Yapay Zeka Mühendisliği uygulamalarında kullanılan standartlar hakkında bilgilidir.
9)	Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi edinir.
10)	Yapay Zeka Mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi sahibidir; Yapay Zeka Mühendisliği çözümlerinin hukuksal sonuçlarının farkındadır.
11)	Yapay Zeka Mühendisliğini ilgilendiren problemlerde bireysel ve ilgili çok disiplinli takımlarda etkin biçimde çalışır.