YAZILIM 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
SEN4107	Yapay Sinir Ağlarına Giriş	Güz	3	0	3	6

Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir.

Temel Bilgiler

Öğretim Dili:	English
Dersin Türü:	Departmental Elective
Dersin Seviyesi:	LİSANS
Dersin Veriliş Şekli:	Hibrit
Dersin Koordinatörü:	Dr. Öğr. Üyesi AYLA GÜLCÜ
Dersin Amacı:	Derin öğrenmenin matematiksel temellerinin öğrenilmesi, derin sinir ağı yapılarından ileri beslemeli, evrişimsel ve yinelemeli sinir ağlarının öğrenilmes; farklı ağların uygulama alanlarının incelenmesi ve bu yapıların gerçek hayat problemleri çözümü için kullanılabilmesi. Pekiştirmeli öğrenme tekniklerini tanır.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
Derin öğrenmenin matematiksel hesaplarını anlar
İleri beslemeli derin sinir ağlarını tanır; bir derin öğrenme aracıyla (PyTorch) eldeki probleme uygun ağı tasarlar, kurar ve eğitir
Nesne tanıma ve nesne saptama problemlerini öğrenir
Evrişimli sinir ağları tanır; eldeki probleme uygun ağı tasarlar, kurar ve eğitir
Yinelemeli sinir ağlarını tanır; eldeki probleme uygun ağı tasarlar, kurar ve eğitir
Gerçek hayat problemleri için uygun derin öğrenme modelini seçer ve kullanır
Pekiştirmeli öğrenme tekniklerini tanır

Dersin İçeriği

Çok katmanlı ileri beslemeli ağlar, Pytorch derin öğrenme kütüphanesi kullanımı, evrişimli sinir ağları, nesne tanıma ve saptama problemleri, yinelemeli sinir ağları, dikkat mekanizması, derin üretken modeller ve derin pekiştirmeli öğrenme.

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Derin öğrenmeye giriş
2)	Makina öğrenmesi, doğrusal sınıflandırıcı ve kayıp fonksiyonları
3)	Gradyan İniş algoritmaları
4)	İleri beslemeli ağların eğitimi
5)	İleri beslemeli ağlar uygulama (PyTorch ve Bulut)
6)	Konvolüsyonel sinir ağları
7)	Konvolüsyonel sinir ağlarının anlaşılması ve görselleştirilmesi (uygulama)
8)	Ara Sınav
9)	Nesne algılama yaklaşımları
10)	Yinelemeli sinir ağları
11)	Yinelemeli sinir ağları uygulama
12)	Dikkat mekanizması ve hafıza
13)	Derin üretken modeller
14)	Derin pekiştirmeli öğrenme
15)

Kaynaklar

Ders Notları / Kitaplar:	“Deep Learning by Ian Goodfellow”, Yoshua Bengio and Aaron Courville, MIT Press (2016)
Diğer Kaynaklar:	“Hands-On Neural Networks with PyTorch 1.0”, Vihar Kurama, Pakt Publishing (2019) https://www.deeplearningbook.org/ “Machine Learning: A Probabilistic Perspective”, K. P. Murphy, MIT Press (2012) “Pattern Recognition and Machine Learning”, C. M. Bishop, Springer (2006)

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Küçük Sınavlar	5	% 25
Projeler	1	% 15
Ara Sınavlar	1	% 20
Final	1	% 40
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 45
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 55
Toplam		% 100

AKTS / İş Yükü Tablosu

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ders Saati	13	3	39
Sınıf Dışı Ders Çalışması	13	8	104
Proje	1	3	3
Küçük Sınavlar	5	1	5
Ara Sınavlar	1	2	2
Final	1	2	2
Toplam İş Yükü			155

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)	Karmaşık mühendislik problemlerine yönelik yazılım proje, süreç ve ürünlerine ait fonksiyonel ve fonksiyonel olmayan özellikleri tanımlayabilmek.
2)	Karmaşık mühendislik problemlerinde yazılım mimarisi, bileşenleri, ara yüzleri ve sisteme ait diğer alt bileşenleri tasarlayabilmek.
3)	Kodlama, doğrulama, sınama ve hata ayıklama konularını da içerecek şekilde karmaşık yazılım sistemleri geliştirebilmek.
4)	Karmaşık mühendislik problemlerinde yazılımı, programın davranışlarını beklenen sonuçlara göre sınayarak doğrulayabilmek.
5)	Karmaşık yazılım sistemlerinin çalışması sırasında, çalışma ortamının değişmesi, yeni kullanıcı istekleri ve yazılım hatalarının ortaya çıkması ile meydana gelen bakım faaliyetlerine yönelik işlemleri yapabilmek.
6)	Karmaşık yazılım sistemlerinde yapılan değişiklikleri izleyebilmek ve kontrol edebilmek, entegrasyonunu sağlayabilmek, yeni sürümlerini sistematik olarak planlayabilmek ve riskleri yönetebilmek.
7)	Disiplin içi ve disiplinler arası takımlarda görev alarak karmaşık yazılım sistemleri yaşam süreçlerini tanımlayabilmek, değerlendirebilmek, ölçebilmek, yönetebilmek ve uygulayabilmek.
8)	Karmaşık mühendislik problemlerinde gerçekçi kısıtlar ve koşullar altında yazılım gereksinimlerini toplama, yazılımı tasarlama, geliştirme, sınama, bakımını yapma konularındaki çeşitli araçları ve yöntemleri kullanabilmek.
9)	Temel kalite metrikler tanımlayabilmek, yazılım yaşam döngüsü süreçlerini uygulayabilmek, yazılım kalitesini ölçebilmek, kalite model karakteristiklerini tanımlayabilmek, standartları uygulayabilmek ve bunları karmaşık yazılım sistemlerini analiz etmekte, tasarlamakta, geliştirmekte, doğrulamakta ve sınamakta kullanabilmek.
10)	Yazılım mühendisliği ile ortak sınırlara sahip olan matematik, fen bilimleri, bilgisayar mühendisliği, endüstri mühendisliği, sistem mühendisliği, ekonomi, yönetim ve sürdürülebilir kalkınma gibi diğer disiplinler hakkında teknik bilgi kazanabilmek ve bunlar aracılığıyla yenilikçi fikirleri karmaşık mühendislik problemlerinde ve girişimcilik faaliyetlerinde kullanabilmek.
11)	Yazılım mühendisliği kültürü ve etik anlayışını kavrayabilmek ve bunları yazılım mühendisliğinde uygulayabilecek temel bilgilere sahip olmak, meslek hayatı boyunca gerekli teknik becerileri öğrenip başarıyla uygulayabilmek.
12)	Yabancı dil ve Türkçe kullanarak etkin rapor yazabilmek ve yazılı raporları anlayabilmek, tasarım ve üretim raporları hazırlayabilmek, etkin sunum yapabilmek, açık ve anlaşılır talimat verebilmek ve alabilmek.
13)	Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları ile mühendislik çözümlerinin hukuksal sonuçları hakkında bilgi sahibi olmak.