School/Faculty/Institute | Graduate School | ||||||
Course Code | CSE 618 | ||||||
Course Title in English | Advanced Artificial Neural Networks | ||||||
Course Title in Turkish | İleri Yapay Sinir Ağları | ||||||
Language of Instruction | EN | ||||||
Type of Course | Flipped Classroom | ||||||
Level of Course | Advanced | ||||||
Semester | Fall | ||||||
Contact Hours per Week |
|
||||||
Estimated Student Workload | 187 hours per semester | ||||||
Number of Credits | 7.5 ECTS | ||||||
Grading Mode | Standard Letter Grade | ||||||
Pre-requisites | None | ||||||
Expected Prior Knowledge | Artificial Intelligence; Neural Networks | ||||||
Co-requisites | None | ||||||
Registration Restrictions | Only Doctorate Students | ||||||
Overall Educational Objective | To become familiar with a comprehensive understanding of foundational artificial neural network architectures and algorithms, and to apply these networks effectively to solve real-world problems. | ||||||
Course Description | Advanced Artificial Neural Networks course delves into the core architectures and algorithms of artificial neural networks. Students will be introduced to topics such as perceptrons, linear regression, backpropagation, support vector machines, and self-organizing maps. The course aims to equip learners with the skills to employ these networks in tackling real-world challenges. | ||||||
Course Description in Turkish | Gelişmiş Yapay Sinir Ağları dersi, yapay sinir ağlarının temel mimarileri ve algoritmalarını detaylı bir şekilde ele almaktadır. Öğrencilere perceptronlar, doğrusal regresyon, geri yayılım, destek vektör makinaları ve kendi kendini düzenleyen haritalar gibi konularda bilgi verilmektedir. Ders, bu ağları gerçek dünya sorunlarının çözümünde nasıl kullanacakları konusunda öğrencilere beceriler kazandırmayı hedeflemektedir. |
Course Learning Outcomes and CompetencesUpon successful completion of the course, the learner is expected to be able to:1) Sinir ağı modellerine ilişkin matematiksel ifadeleri açıklamak ve türetebilmek 2) Sinir ağı eğitim algoritmalarını sıfırdan uygulamak ve optimize etmek 3) Gerçek dünya sorunlarını sinir ağı görevleri açısından formüle etmek ve çözümler için uygun modelleri seçmek 4) Çeşitli gelişmiş modeller arasında ayrım yapmak ve bunları ne zaman konuşlandıracağınıza karar vermek 5) Modelleri oluşturmak ve test etmek için TensorFlow veya PyTorch gibi sinir ağı kitaplıklarını ve platformlarını kullanmak 6) Doğruluk, kesinlik, geri çağırma ve F1 puanı gibi değerlendirme ölçümlerini kullanmak ve model performansını değerlendirmek için çapraz doğrulama yöntemlerini uygulamak 7) Veri kümelerindeki potansiyel önyargıları analiz edin, model kararlarının toplumsal sonuçlarını anlamak ve sorumlu yapay zeka kullanımını savunmak |
Program Learning Outcomes/Course Learning Outcomes | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
---|
N None | S Supportive | H Highly Related |
Program Outcomes and Competences | Level | Assessed by |
Prepared by and Date | , |
Course Coordinator | TUNA ÇAKAR |
Semester | Fall |
Name of Instructor | Dr. Öğr. Üyesi TUNA ÇAKAR |
Hafta | Konu |
1) | Yapay Sinir Ağlarına Giriş Sinir ağlarına genel bakış ve bunların tarihsel gelişimi. |
2) | Algılayıcılar Tek katmanlı algılayıcılar, yapıları ve algılayıcı öğrenme kuralı. |
3) | Doğrusal Regresyon ve En Küçük Ortalama Kareler Regresyona giriş, doğrusal modeller ve en küçük ortalama kareler yöntemiyle optimizasyon. |
4) | Çok Katmanlı Algılayıcılar (MLP'ler) MLP'lerin yapısı, aktivasyon fonksiyonları ve ileri besleme mekanizmalarına giriş. |
5) | Geriye Yayılım Algoritması Çok katmanlı ağlarda hata yayılımını, gradyan inişini ve ağırlık güncellemelerini anlama. |
6) | Destek Vektör Makineleri (SVM) SVM'ye giriş, avantajları ve çekirdek yöntemleri. |
7) | Radyal Temel Fonksiyon (RBF) Ağları RBF'nin yapısı, avantajları ve uygulamaları. |
8) | Kendi Kendini Düzenleyen Haritalar (SOM) Denetimsiz öğrenme, Kohonen ağları ve özellik haritalama. |
9) | Tekrarlayan Sinir Ağları (RNN'ler) Dizilere giriş, temel RNN yapıları ve kaybolan ve patlayan gradyanlar gibi zorluklar. |
10) | Sinir Ağlarında Optimizasyon Teknikleri Momentum, RMSprop, Adam optimize edici ve öğrenme hızı planlaması. |
11) | Sinir Ağlarında Düzenleme ve Aşırı Uyum Bırakma, erken durdurma ve L1 ve L2 düzenlemesi gibi teknikler. |
12) | Gelişmiş Mimarilere Genel Bakış Evrişimli Sinir Ağları (CNN'ler) ve Uzun Kısa Süreli Bellek ağları (LSTM) gibi mimarilerin kısa incelenmesi. |
13) | Sinir Ağlarında Etik Etkiler ve Adalet Önyargıları, etik hususları anlamak ve model tahminlerinde adaleti sağlamak. |
14) | Kurs İncelemesi ve Yükselen Trendler Ders konularının özeti ve sinir ağlarındaki güncel araştırmalara ve ortaya çıkan trendlere kısa bir bakış. |
15) | Proje/Sunum Dönemi |
16) | Proje/Sunum Dönemi |
Required/Recommended Readings | None | ||||||||||||
Teaching Methods | Lecturing and exercises in the classroom with computers. In-class exercises and 3 Projects will be carried out by students | ||||||||||||
Homework and Projects | In-class exercises, 2 Projects, Term project | ||||||||||||
Laboratory Work | Programming exercises | ||||||||||||
Computer Use | For programming | ||||||||||||
Other Activities | None | ||||||||||||
Assessment Methods |
|
||||||||||||
Course Administration |
cakart@mef.edu.tr 02123953600 Instructor’s office and phone number, office hours, email address: To be announced -Office: 5th Floor, #18; Phone number: 0 212 395 37 50; Email: cakart@mef.edu.tr Rules for attendance: Minimum of 70% attendance required. Missing a quiz: Provided that proper documents of excuse are presented, each missed quiz by the student will be given a grade which is equal to the average of all of the other quizzes. No make-up will be given. Missing a midterm: Provided that proper documents of excuse described in the MEF University graduate regulations are presented, a make-up will be given Missing a final: Provided that proper documents of excuse described in the MEF University graduate regulations are presented, a make-up will be given Statement on academic dishonesty and plagiarism: Law on Higher Education Article 54. |
Activity | No/Weeks | Hours | Calculation | ||||
No/Weeks per Semester | Preparing for the Activity | Spent in the Activity Itself | Completing the Activity Requirements | ||||
Ders Saati | 14 | 1 | 3 | 1 | 70 | ||
Proje | 2 | 18 | 2 | 40 | |||
Küçük Sınavlar | 3 | 4 | 1 | 15 | |||
Ara Sınavlar | 2 | 15 | 2 | 34 | |||
Rapor Teslimi | 1 | 25 | 3 | 28 | |||
Total Workload | 187 | ||||||
Total Workload/25 | 7.5 | ||||||
ECTS | 7.5 |