Dersin Adı Ders Kodu Yarıyılı Teori
(Saat/Hafta)		 Uygulama
(Saat/Hafta)		 Akts
DERİN ÖĞRENME BSM525 1 3 0 7,0
Önkoşul(lar)-var ise
Dersin Dili
Dersin Türü Yüksek Lisans - Tezli
Dersin sorumlusu(ları)
Dersin Amacı Bu dersin temel amacı; son dönemde etkinliği gösterilmiş ve oldukça popüler olan yapay sinir ağı temelli derin öğrenme ağlarının ve bu ağların kullanım şekillerinin öğretilmesidir.
Dersin Verilme Şekli Örgün
Sıra No Dersin Öğrenme Çıktıları Öğretim Yöntemleri Değerlendirme Yöntemleri Program Yeterliliklerini Karşılama Düzeyi(1)(2)(3)(4)(5)
1 They will be able to define basic artificial neural network models.
1 Temel yapay sinir ağ modellerini tanımlayabilecek. Anlatım Sınav 1
2 Yapay sinir ağlarını gerçek sınıflandırma, örüntü tanıma, işaret işleme ve kontrol problemlerine uygularken pratik problemleri değerlendirebilecek, Anlatım Sınav 1
2 They will be able to apply artificial neural networks to real classification, pattern recognition, signal processing, and control problems, and evaluate practical issues.
3 They will identify and address fundamental problems in deep learning networks.
3 Derin öğrenme ağlarının temel problemlerinin tespit edilmesi ve düzenlenebilmesi Anlatım Sınav 1
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
13
13
14
14
15
15
Dersin İçeriği
Bu ders kapsamında; Makine Öğrenmesinin Temelleri ve Derin Öğrenmeye Giriş, Matematiksel Arkaplan, Derin İleri Besleme Ağları, Derin Öğrenmede Düzenlileştirme, Derin Modellerin Eğitiminde Optimizasyon, Evrişimsel Ağlar (CNN), Evrişimsel Derin Ağ Mimarileri, Evrişimsel Ağ Uygulaması – Çoklu Nesne Konumlandırma, Yinelemeli ve Özyinelemeli Ağlar (RNN), Uzun Kısa Vadeli Bellek , Yinelemeli Ağ Uygulaması – Zaman-serilerinde tahminleme, Derin Üretken Ağlar, Kullanışlı Derin Öğrenme Stratejileri, Otokodlayıcılar konuları işlencektir.
Kaynaklar
1. Bengio, Y., et al. (2015). Deep Learning. MIT Press. 2. Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn and TensorFlow.
Haftalara Göre İşlenecek Konular
Haftalar Konular Dokümanlar
1 . Hafta Makine Öğrenmesinin Temelleri ve Derin Öğrenmeye Giriş
1 . Hafta Foundations of Machine Learning and Introduction to Deep Learning
2 . Hafta Mathematical Background
2 . Hafta Matematiksel Arkaplan
3 . Hafta Derin İleri Besleme Ağları
3 . Hafta Deep Feedforward Networks
4 . Hafta Regularization in Deep Learning
4 . Hafta Derin Öğrenmede Düzenlileştirme
5 . Hafta Derin Modellerin Eğitiminde Optimizasyon
5 . Hafta Optimization in Training Deep Models
6 . Hafta Convolutional Neural Networks (CNN)
6 . Hafta Evrişimsel Ağlar (CNN)
7 . Hafta Evrişimsel Derin Ağ Mimarileri
7 . Hafta Architectures of Convolutional Deep Networks
8 . Hafta Midterm Exam
8 . Hafta Ara sınav
9 . Hafta Evrişimsel Ağ Uygulaması – Çoklu Nesne Konumlandırma
9 . Hafta Application of Convolutional Networks – Multi-Object Localization
10 . Hafta Recurrent and Recursive Networks (RNN)
10 . Hafta Yinelemeli ve Özyinelemeli Ağlar (RNN)
11 . Hafta Uzun Kısa Vadeli Bellek
11 . Hafta Long Short-Term Memory
12 . Hafta Application of Recurrent Networks – Time Series Prediction
12 . Hafta Yinelemeli Ağ Uygulaması – Zaman-serilerinde tahminleme
13 . Hafta Derin Üretken Ağlar
13 . Hafta Generative Deep Networks
14 . Hafta Practical Deep Learning Strategies
14 . Hafta Kullanışlı Derin Öğrenme Stratejileri
15 . Hafta Otokodlayıcılar
15 . Hafta Autoencoders
16 . Hafta Dönem Sonu Sınavı
Değerlendirme Sistemi
Yarıyıl içi çalışmaları Sayısı Katkı Payı (%)
Yarıyıl İçi Çalışmaları 1 30
Ara Sınav 0 0
Final Sınavı 0 0
0 0
0 0
0 0
1 40
0 0
0 0
0 0
6 30
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
Toplam 100
Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı 2 30
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı 1 0
Toplam 100
AKTS (Öğrenci İş Yükü) Tablosu
Etkinlikler Sayısı Süresi Toplam İş Yükü
Ders süresi (sınav haftası dahil: 16xders saati) 1 2 2
Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, pekiştirme) 0 0 0
Ara Sınav 0 0 0
Dönem Sonu Sınavı 0 0 0
0 0 0
0 0 0
0 0 0
1 2 2
0 0 0
0 0 0
0 0 0
6 7 42
0 0 0
0 0 0
0 0 0
0 0 0
14 3 42
7 4 28
7 4 28
14 4 56
0 0 0
Toplam İş Yükü 200
Dersin Öğrenme Çıktılarının Program Yeterlilikleri İle İlişkilendirilmesi
Sıra No Program Yeterlilikleri Katkı Düzeyi*
1 2 3 4 5
1 It defines the multidisciplinary scope of the field of information technologies and the interaction between related disciplines. X
2 Gain comprehensive knowledge about current techniques and methods applied in the field of information technologies and their limitations, effects and results. X
3 By doing applied research in the field of information technologies, it reaches the information in depth and in depth, evaluates the information and applies the results. X
4 Complements and applies knowledge with scientific methods, using uncertain, limited or incomplete data; integrates knowledge from different disciplines. X
5 Develops algorithms and methods to solve defined engineering management problems and applies innovative methods in solutions. X
6 Can work effectively in disciplinary and multi-disciplinary teams, lead such teams and develop solution approaches in complex situations; can work independently and take responsibility. X
7 Be aware of new and developing applications in the field of information technologies and have the ability to examine and learn about them. X
8 Uses advanced methods and software and communication technologies used in the field of technology. X
9 Analyzes problems in different fields, develops solutions and implements solutions using information technologies. X
10 Can realize information technology applications by considering entrepreneurship and innovation dimensions. X
11 It observes social, scientific and ethical values ​​in the stages of data collection, interpretation, announcement and in all professional activities. X