| 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 |