Bilgi Paketi / Ders Kataloğu
| Bilgisayar Bilimleri ve Mühendisliği Doktora (İngilizce) | |||||
| Doktora | Programın Süresi: 4 | Kredi Sayısı: 240 | TYYÇ: 8. Düzey | QF-EHEA: 3. Düzey | EQF: 8. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Lisansüstü Eğitim Enstitüsü | ||||||
| Ders Kodu | CSE 618 | ||||||
| Ders Adı İngilizce | Advanced Artificial Neural Networks | ||||||
| Ders Adı Türkçe | İleri Yapay Sinir Ağları | ||||||
| Öğretim Dili | EN | ||||||
| Ders Türü | Ters-Yüz Öğrenme | ||||||
| Dersin Düzeyi | İleri | ||||||
| Dönem | Güz | ||||||
| Haftalık İletişim Saatleri |
|
||||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 187 saat | ||||||
| Ders Kredileri | 7.5 AKTS | ||||||
| Değerlendirme | Standart Harf Notu | ||||||
| Ön Koşul | Yok | ||||||
| Yan Koşul | Yok | ||||||
| Beklenen Ön Bilgi | Yapay zeka; Nöral ağlar | ||||||
| Kayıt Kısıtlamaları | Sadece Doktora Öğrencileri | ||||||
| Genel Eğitim Hedefi | Temel yapay sinir ağı mimarileri ve algoritmaları hakkında kapsamlı bir anlayışa sahip olmak ve bu ağları gerçek dünya sorunlarını çözmek için etkili bir şekilde uygulamak. | ||||||
| Ders Açıklaması | 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. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler: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 Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme |
| Hazırlayan ve Tarih | , |
| Ders Koordinatörü | TUNA ÇAKAR |
| Dönem | Güz |
| Dersi Veren(ler) |
Ders İçeriği
| 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 |
| Gerekli/Tavsiye Edilen Okumalar | Yok | ||||||||||||
| Öğretme Teknikleri | Sınıfta bilgisayarlarla ders anlatımı ve alıştırmalar. Öğrenciler tarafından sınıf içi alıştırmalar ve 3 proje gerçekleştirilecek. | ||||||||||||
| Ödev ve Projeler | Sınıf içi alıştırmalar, 2 Proje, Dönem projesi | ||||||||||||
| Laboratuvar Çalışması | Programlama alıştırmaları | ||||||||||||
| Bilgisayar Kullanımı | Programlama için | ||||||||||||
| Diğer Aktiviteler | Yok | ||||||||||||
| Değerlendirme Yöntemleri |
|
||||||||||||
| Ders Yönetimi |
cakart@mef.edu.tr 02123953600 |
||||||||||||
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 | ||
| Proje | 2 | 18 | 2 | 40 | |||
| Küçük Sınavlar | 3 | 4 | 1 | 15 | |||
| Ara Sınavlar | 2 | 15 | 2 | 34 | |||
| Rapor Teslimi | 1 | 25 | 3 | 28 | |||
| Toplam İş Yükü | 187 | ||||||
| Toplam İş Yükü/25 | 7.5 | ||||||
| AKTS | 7.5 | ||||||