ENDÜSTRİ 4.0 (İNGİLİZCE, TEZSİZ) | |||||
Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey |
Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
VCD4151 | Tasarımcı ve Sanatçılar için Mak. Öğr. | Güz | 2 | 2 | 3 | 5 |
Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
Öğretim Dili: | En |
Dersin Türü: | Departmental Elective |
Dersin Seviyesi: | LİSANSÜSTÜ |
Dersin Veriliş Şekli: | Yüz yüze |
Dersin Koordinatörü: | Dr. Öğr. Üyesi İPEK TORUN |
Dersin Amacı: | Bu dersi tamamlayan öğrenciler, makine öğrenimi hakkında temelleri öğrendikten sonra bunu bir üretim aracı olarak kullanmayı ve günümüzde git gide önem kazanan iletişim ile alakalı alanlarla, tam olarak nerelerde ve nasıl kullanıldığını öğreneceklerdir. |
Bu dersi başarıyla tamamlayabilen öğrenciler; Bu dersi başarıyla tamamlayabilen öğrenciler; 1) Günümüz gelişen dünyasında her gün daha da önem kazanan “makine öğrenimi” hakkında genel bir bilgi 2) İletişim dünyasında “makine öğrenimi”’nin önemi ve yeri hakkında bilgi 3) Algoritma ve algoritmik tasarım hakkında daha fazla bilgi 4) Basit düzeyde Python ve kodlama hakkında bilgi 5) Yapay sinir ağları hakkında bilgi 6) Makine öğrenimi ve yapay sinir ağları kullanılarak sanat ve tasarım yapılması hakkında bilgi 7) Facebook, google ve Amazon gibi büyük şirketlerin iletişim konusunda nerelerde ve nasıl kullandıkları hakkında bilgi 8) Wekinator gibi daha ileri düzey interaktif tasarım programları 9) Uygulamalı olarak birebir makine zekası ve yapay zeka ile müzik yapma 10) Uygulamalı olarak birebir makine zekası ve yapay zeka ile tasarım yapma 11) Uygulamalı olarak birebir makine zekası ve yapay zeka ile çizim yapma 12) Uygulamalı olarak birebir makine zekası ve yapay zeka ile yazı yazma 13) t-SNE gibi ileri düzey sınıflandırma algoritmaları hakkında bilgi |
Makine öğrenimi temelleri, yapay sinir ağları [ANN, RNN, CNN], GAN’ler, sınıflandırma algoritmaları, makine öğreniminin pratik alanlarda kullanımı, makine öğreniminin sanatsal alanlarda kullanımı, google Magenta, metin üretimi, NSynth, style transfer, t-SNE, basit düzeyde Python dili, Tensorflow, Wekinator, Deep Learning, Yapay Zeka’ya giriş, Facebook ve google gibi şirketlerin nerelerde ve nasıl kullandığı. |
Hafta | Konu | Ön Hazırlık | |
1) | Tanışma ve ders hakkında genel bilgilendirme Örnek işler gösterme Yazılımlar hakkında bilgilendirme | ||
2) | Makine öğrenimine giriş Günümüzde kullandığı alanlar ve iletişim kurma yöntemlerimiz üzerindeki etkileri Tartışma: Practical use & Creative use | ||
3) | Gündelik hayatta kullanım alanları; Facebook, google vb...) Apples & Oranges, Algoritma nedir? (Örnek Markov Chains) Hardcoding vs algoritma | ||
4) | Supervised / Unsupervised modeller | ||
5) | Wekinator OSC (Open Sound Control) | ||
6) | Yapay sinir ağları MNIST Gündelik hayatta kullanım alanları; Facebook, google vb...) Deep Learning | ||
7) | Tartışma: Thoughts so far First ideas on projects Soru & Cevap | ||
8) | Veri görselleştirme t-SNE | ||
9) | Tartışma: Sanatsal çaba ve yazılım fikri Öğrencilerin ne üzerinde çalışmak istediklerine dair fikirlerinin tartışılması Yeni Medya çalışmaları ve ML sanat eserlerine ilişkin daha fazla örnek. | ||
10) | Proje Kritikleri | ||
11) | Proje Kritikleri | ||
12) | Proje Kritikleri | ||
13) | Proje Kritikleri | ||
14) | Proje Kritikleri |
Ders Notları: | Ders notları öğretim elemanı tarafından derslerde iletilir. Course notes distributed on class by the instructor. |
Diğer Kaynaklar: | 1. C.H. Edwards,Jr. David E. Penney, Calculus with Analytic Geometry, Prentice- Hall Englewood Cliffs, New Jersey. 2. Richard A.Silverman, Calculus with Analytic Geometry, Prentice- Hall Englewood Cliffs, New Jersey |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Devam | % 0 | |
Laboratuar | % 0 | |
Uygulama | % 0 | |
Arazi Çalışması | % 0 | |
Derse Özgü Staj | % 0 | |
Küçük Sınavlar | % 0 | |
Ödev | % 0 | |
Sunum | % 0 | |
Projeler | 2 | % 45 |
Seminer | % 0 | |
Ara Sınavlar | % 0 | |
Ara Juri | % 0 | |
Final | 1 | % 55 |
Rapor Teslimi | % 0 | |
Juri | % 0 | |
Bütünleme | % 0 | |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 0 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 100 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
Ders Saati | 14 | 4 | 56 |
Laboratuvar | 0 | 0 | 0 |
Uygulama | 14 | 2 | 28 |
Derse Özgü Staj | 0 | 0 | 0 |
Arazi Çalışması | 0 | 0 | 0 |
Sınıf Dışı Ders Çalışması | 14 | 1 | 14 |
Sunum / Seminer | 0 | 0 | 0 |
Proje | 2 | 10 | 20 |
Ödevler | 0 | 0 | 0 |
Küçük Sınavlar | 0 | 0 | 0 |
Ara Juri | 0 | 0 | 0 |
Ara Sınavlar | 0 | 0 | 0 |
Rapor Teslimi | 0 | 0 | 0 |
Juri | 0 | 0 | 0 |
Final | 1 | 10 | 10 |
Toplam İş Yükü | 128 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |