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 |
SEN4107 | Yapay Sinir Ağlarına Giriş | Güz | 3 | 0 | 3 | 6 |
Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
Öğretim Dili: | En |
Dersin Türü: | Departmental Elective |
Dersin Seviyesi: | LİSANSÜSTÜ |
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. |
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 |
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. |
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) |
Ders Notları: | “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) |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Devam | % 0 | |
Laboratuar | % 0 | |
Uygulama | % 0 | |
Arazi Çalışması | % 0 | |
Derse Özgü Staj | % 0 | |
Küçük Sınavlar | 5 | % 25 |
Ödev | % 0 | |
Sunum | % 0 | |
Projeler | 1 | % 15 |
Seminer | % 0 | |
Ara Sınavlar | 1 | % 20 |
Ara Juri | % 0 | |
Final | 1 | % 40 |
Rapor Teslimi | % 0 | |
Juri | % 0 | |
Bütünleme | % 0 | |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 45 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 55 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
Ders Saati | 13 | 3 | 39 |
Laboratuvar | 0 | 0 | 0 |
Uygulama | 0 | 0 | 0 |
Derse Özgü Staj | 0 | 0 | 0 |
Arazi Çalışması | 0 | 0 | 0 |
Sınıf Dışı Ders Çalışması | 13 | 8 | 104 |
Sunum / Seminer | 0 | 0 | 0 |
Proje | 1 | 3 | 3 |
Ödevler | 0 | 0 | 0 |
Küçük Sınavlar | 5 | 1 | 5 |
Ara Juri | 0 | 0 | 0 |
Ara Sınavlar | 1 | 2 | 2 |
Rapor Teslimi | 0 | 0 | 0 |
Juri | 0 | 0 | 0 |
Final | 1 | 2 | 2 |
Toplam İş Yükü | 155 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |