Bilgi Paketi / Ders Kataloğu
| Ekonomi | |||||
| Lisans | Programın Süresi: 4 | Kredi Sayısı: 240 | TYYÇ: 6. Düzey | QF-EHEA: 1. Düzey | EQF: 6. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Mühendislik Fakültesi | |||||
| Ders Kodu | AI 303 | |||||
| Ders Adı İngilizce | Deep Learning | |||||
| Ders Adı Türkçe | Derin Öğrenme | |||||
| Öğretim Dili | EN | |||||
| Ders Türü | Laboratuvar Çalışması,Ters-Yüz Öğrenme | |||||
| Dersin Düzeyi | Seçiniz | |||||
| Dönem | Güz | |||||
| Haftalık İletişim Saatleri |
|
|||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 186 saat | |||||
| Ders Kredileri | 7 AKTS | |||||
| Değerlendirme | Standart Harf Notu | |||||
| Ön Koşul | Yok | |||||
| Yan Koşul | Yok | |||||
| Beklenen Ön Bilgi | Makina Öğrenmesi Hakkında ön Bilgi | |||||
| Kayıt Kısıtlamaları | Sadece Lisans Öğrencileri | |||||
| Genel Eğitim Hedefi | Derin sinir ağları konusunda derin bir teorik anlayışa ve sağlam bir pratik uzmanlığa sahip olmak. Temel makine öğrenmesi modellerinden karmaşık derin öğrenme mimarileri tasarlamaya geçiş yapma pratiği kazanmak. Bilgisayarla Görü, Doğal Dil İşleme ve Üretken Yapay Zekâ alanlarında en son teknoloji modelleri, sektör standardı çerçeveler kullanarak uygulayabilecek becerilerle donatılmış olmak. | |||||
| Ders Açıklaması | Bu ders, AI 203`te atılan temellerin üzerine inşa edilmiştir. AI 203 Çok Katmanlı Algılayıcıları tanıtmışken, AI 303 gelişmiş derin öğrenme mimarilerine ve optimizasyon stratejilerine odaklanır. Temel konular arasında Derin Öğrenmenin matematiksel temelleri (Hesaplama Grafikleri, Geri Yayılım detayları), Optimizasyon algoritmaları, görüntü işleme için Evrişimli Sinir Ağları (CNN), Sıralı Modeller (RNN, LSTM) ve modern Dikkat mekanizması (Transformerlar) yer almaktadır. Ders, Çekişmeli Üretici Ağlar (GAN), Varyasyonel Otokodlayıcılar (VAE) ve Difüzyon Modelleri gibi ileri konularla sona erer. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) Derin ağların eğitimindeki matematiksel incelikleri analiz eder; buna kaybolan gradyanlar, başlatma stratejileri ve düzenleme teknikleri (Batch Norm, Dropout) dahildir; 2) Karmaşık görüntü sınıflandırma ve nesne tespiti görevleri için Konvolüsyonel Sinir Ağları (CNN’ler) tasarlar ve uygular; 3) Zaman serisi analizi ve metin işleme için RNN, LSTM ve GRU kullanarak sekans modelleri oluşturur; 4) Doğal Dil İşleme (NLP) problemlerini çözmek için Dikkat (Attention) mekanizması ve Transformer mimarisini uygular; 5) Sentetik veri oluşturmak veya stil transferi yapmak için üretici modeller geliştirir; 6) GPU hızlandırıcılar üzerinde uçtan uca eğitim hatları oluşturmak için modern Derin Öğrenme çerçevelerini kullanır. |
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| 1) Ekonomi konusunda geniş bir anlayışa sahip olup, diğer sosyal bilimler ve matematikle derin bir etkileşime sahip olmak. | ||||||
| 2) Farklı ekonomi alanlarının etkileşimlerini anlama konusunda bilgi ve beceriler sergilemek | ||||||
| 3) Mikroekonomik ve makroekonomik teoriyi anlamak | ||||||
| 4) Ekonomik kavramları karmaşık sorunları çözmek ve karar verme yeteneğini geliştirmek için uygulamak. | ||||||
| 5) Farklı ekonomik sistemleri analiz etmek için nicel teknikler kullanmak. | ||||||
| 6) Teorik bilgileri, Türk ve küresel ekonomilere ilişkin sorunları analiz etmek için uygulamak. | ||||||
| 7) Ekonomik verileri işlemek ve değerlendirmek için istatistiksel araçlar ve yaygın yazılım programları konusunda yetkinlik göstermek. | ||||||
| 8) Ekonomik analizin tüm aşamalarında - veri toplama, yorumlama ve bulguları yayma - bilimsel ve etik değerlere göre davranmak. | ||||||
| 9) Bilimsel bilgileri alışverişinde yazılı ve sözlü İngilizceyi etkili bir şekilde kullanmak (en az CEFR B2 seviyesinde). | ||||||
| 10) Bireysel ve profesyonel etik davranış sergiler ve sosyal sorumluluk taşımak. | ||||||
| 11) Yüksek derecede özerklikle daha ileri çalışmalar için gerekli öğrenme becerilerini sergilemek. |
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme | |
| 1) | Ekonomi konusunda geniş bir anlayışa sahip olup, diğer sosyal bilimler ve matematikle derin bir etkileşime sahip olmak. | N | |
| 2) | Farklı ekonomi alanlarının etkileşimlerini anlama konusunda bilgi ve beceriler sergilemek | N | |
| 3) | Mikroekonomik ve makroekonomik teoriyi anlamak | N | |
| 4) | Ekonomik kavramları karmaşık sorunları çözmek ve karar verme yeteneğini geliştirmek için uygulamak. | N | |
| 5) | Farklı ekonomik sistemleri analiz etmek için nicel teknikler kullanmak. | N | |
| 6) | Teorik bilgileri, Türk ve küresel ekonomilere ilişkin sorunları analiz etmek için uygulamak. | N | |
| 7) | Ekonomik verileri işlemek ve değerlendirmek için istatistiksel araçlar ve yaygın yazılım programları konusunda yetkinlik göstermek. | N | |
| 8) | Ekonomik analizin tüm aşamalarında - veri toplama, yorumlama ve bulguları yayma - bilimsel ve etik değerlere göre davranmak. | H | |
| 9) | Bilimsel bilgileri alışverişinde yazılı ve sözlü İngilizceyi etkili bir şekilde kullanmak (en az CEFR B2 seviyesinde). | H | |
| 10) | Bireysel ve profesyonel etik davranış sergiler ve sosyal sorumluluk taşımak. | H | |
| 11) | Yüksek derecede özerklikle daha ileri çalışmalar için gerekli öğrenme becerilerini sergilemek. | H |
| Hazırlayan ve Tarih | YASSINE DRIAS , February 2026 |
| Ders Koordinatörü | MEHMET FEVZİ ÜNAL |
| Dönem | Güz |
| Dersi Veren(ler) |
Ders İçeriği
| Hafta | Konu |
| 1) | Sinir Ağlarına Giriş: Biyolojik ilham, Perceptronlar, Aktivasyon Fonksiyonları, İleri Yayılım ve Kayıp Fonksiyonları |
| 2) | Derin İleri Beslemeli Ağlar: Çok Katmanlı Perceptronlar (MLP), Hesaplama Grafikleri, Otomatik Türevleme ve Geri Yayılım algoritması. |
| 3) | Optimizasyon ve Düzenleme: Gelişmiş Optimizatörler, Başlatma stratejileri, Batch Normalizasyon ve Dropout. |
| 4) | Konvolüsyonel Sinir Ağları (CNN) I: Konvolüsyon işlemi, Havuzlama katmanları, Adımlar (Strides), Dolgu (Padding) ve sıfırdan ConvNet oluşturma. |
| 5) | Konvolüsyonel Sinir Ağları (CNN) II: Modern Mimari (ResNet, Inception, MobileNet), Transfer Öğrenme ve İnce Ayar stratejileri. |
| 6) | Bilgisayarlı Görü Uygulamaları: Nesne Tespiti (YOLO, R-CNN ailesi), Semantik Segmentasyon (U-Net) ve Örnek Segmentasyonu. |
| 7) | Dizi Modelleri I: Tekrarlayan Sinir Ağları (RNN’ler), Zaman İçinde Geri Yayılım (BPTT) ve Kaybolan Gradyan problemi. |
| 8) | Dizi Modelleri II: Kapılı Mimariler (LSTM, GRU), Çift Yönlü RNN’ler ve veride uzun vadeli bağımlılıkların yönetimi. |
| 9) | Dikkat Mekanizması ve Transformers: Öz-Dikkat mekanizması, Çok Başlıklı Dikkat, Konumsal Kodlama ve Transformer Kodlayıcı-Çözücü mimarisi. |
| 10) | Doğal Dil İşleme Uygulamaları: Büyük Dil Modelleri (BERT, GPT), Tokenizasyon stratejileri ve Bağlamsal Kelime Gömüleri. |
| 11) | Üretici Derin Öğrenme II: Üretici Çekişmeli Ağlar (GAN’lar), Minimax oyun teorisi, DCGAN ve CycleGAN. |
| 12) | Üretici Derin Öğrenme II: Üretici Çekişmeli Ağlar (GAN’lar), Minimax oyun teorisi, DCGAN ve CycleGAN. |
| 13) | Modern Sınırlar: Diffusion Modellerine Giriş (Gürültü Giderme), Grafik Sinir Ağları (GNN’ler) ve Kendi Kendine Denetimli Öğrenme. |
| 14) | Dağıtım ve Etik: Model Sunumu (ONNX), Açıklanabilir Yapay Zeka (Önem Haritaları), Önyargı, Adalet ve Derin Öğrenme sistemlerinde Güvenlik. |
| 15) | Final Sınavı/Proje/Sunum Dönemi |
| 16) | Final Sınavı/Proje/Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | Zorunlu: Dive into Deep Learning (d2l.ai) by Aston Zhang, Zachary C. Lipton, Mu Li, and Alexander J. Smola Önerilen: Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville (MIT Press). | ||||||
| Öğretme Teknikleri | “Flipped classroom” (ters yüz sınıf) yaklaşımını aktif öğrenme tekniği olarak kullanarak matematiksel teoriyi kapsayan dersler. Mimarileri sıfırdan uygulamaya ve kullanmaya odaklanan laboratuvar oturumları. | ||||||
| Ödev ve Projeler | Ödevler | ||||||
| Laboratuvar Çalışması | |||||||
| Bilgisayar Kullanımı | Required | ||||||
| Diğer Aktiviteler | |||||||
| Değerlendirme Yöntemleri |
|
||||||
| Ders Yönetimi |
driasy@mef.edu.tr 5th Floor Devam kuralları: Derslere en az %70 devam zorunludur. Ara sınavı kaçırma: İstisnasız olarak sınavda hazır bulunmanız ve seyahat planlarınızı bu tarihlere göre ayarlamanız beklenmektedir. Doktor raporuyla belgelendirilmiş tıbbi acil durumlar elbette istisnadır. Sınav günü sağlık merkezinde muayene edildiğinizi belirten bir belge, sınava tıbbi mazeret nedeniyle giremediğinizi kanıtlamak için yeterli değildir. Rapor, sınava tıbben giremeyecek durumda olduğunuzu açıkça belirtmelidir. Uygun mazeret belgeleri sunulduğu takdirde, kaçırılan her ara sınav için telafi sınavı yapılacaktır. Belirlenen günde sınava girmez ve geçerli bir mazeret sunmazsanız, sınavdan sıfır (0) alırsınız. İş görüşmeleri, işveren etkinlikleri, düğünler, tatiller vb. mazeret olarak kabul edilmez. Uygunsuz davranış, akademik dürüstlüğe aykırılık ve intihal, Yükseköğretim Kanunu’nun 54. maddesine tabidir. |
||||||
AKTS Öğrenci İş Yükü Tahmini
| AKtivite | Hafta Sayısı | Saat | Hesaplama | ||||
| Yarıyıl Başına Hafta Sayısı | Etkinliğe Hazırlık | Etkinliğin Kendisinde Harcanan | Etkinlik Gereksinimlerini Tamamlama | ||||
| Ders Saati | 14 | 1 | 3 | 1 | 70 | ||
| Laboratuvar | 14 | 1 | 2 | 1 | 56 | ||
| Proje | 1 | 2 | 14 | 16 | |||
| Ödevler | 2 | 2 | 14 | 32 | |||
| Ara Sınavlar | 1 | 10 | 2 | 12 | |||
| Toplam İş Yükü | 186 | ||||||
| Toplam İş Yükü/25 | 7.4 | ||||||
| AKTS | 7 | ||||||