| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Yapay Sinir Ağları | CENG 623 | | | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Nöron modelleri ve öğrenme kuralları için biyolojik ve matematiksel motivasyonları açıklar. |
| 2. Derin öğrenmede kullanılan geri yayılım ve eğim tabanlı optimizasyon algoritmalarını kullanır |
| 3. Çok katmanlı algılayıcıları (MLP'ler), evrişimli sinir ağlarını (CNN'ler), yinelemeli sinir ağlarını (RNN'ler/LSTM'ler/GRU'lar) ve dikkat/dönüştürücü modellerini uygular. |
| 4. Kapasite, aşırı uyum, düzenleme ve genelleme konularını analiz eder |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Neural Computing presents the theoretical foundations and practical implementations of artificial neural networks (ANNs). The course combines mathematical depth, encompassing learning theory, optimization, and generalization, with practical coding in Python (NumPy / Keras). The students will engage in the construction, training, and evaluation of neural architectures for a variety of real-world problems. |
| |
Üretken Yapay Zeka Kullanımı:
Öğrenciler ödevler ve projeler dahil olmak üzere ders çalışmalarını desteklemek için üretken AI araçlarını kullanmaya teşvik edilir. Bu araçlar teorik kavramları analiz etmeye, pratik sonuçları değerlendirmeye ve problem çözme becerilerini geliştirmeye yardımcı olabilir. Ancak, bağımsız çalışmaların yerine geçen araçlar olarak değil, araçlar olarak görülmelidirler. Öğrenciler, AI tarafından üretilen içeriği eleştirel bir şekilde değerlendirmelidir, çünkü bu tür araçlar yanıltıcı bilgiler üretebilir veya var olmayan kaynaklara atıfta bulunabilir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Biyolojik nöron modeline giriş |
| 2 | Doğrusal Yapay Ağlar , Hebbian Öğrenme |
| 3 | Derin Sinir Ağları (Geri Yayılım, XOR Problemi, Çok Katmanlı Perceptron) |
| 4 | Derin Sinir Ağları II (Çıkışlar ve Kayıp Fonksiyonları, Aktivasyon Fonksiyonları) |
| 5 | Düzenlileştirme (Erken Durdurma, Ensemble Yöntemleri, Dropout, Veri Artırma) |
| 6 | Optimizasyon: Dışbükeylik ve Yakınsaklık |
| 7 | Convolutional Neural Networks |
| 8 | Convolutional Neural Networks II |
| 9 | Tekrarlayan Ağlar (LSTM & GRU, Sequence Modelling) |
| 10 | Transformatörler (Kendi kendine dikkat, konumsal kodlamalar) |
| 11 | Gözetimsiz ve Öz-Gözetimli Öğrenme Oto kodlayıcılar, VAE'ler, karşılaştırmalı öğrenme |
| 12 | Proje Sunumları |
| 13 | Proje Sunumları |
| |
| Kaynaklar: |
| Neural Networks: A Practical Guide for Understanding and Programming Neural Networks and Useful Insights for Inspiring Reinvention |
| |
| Diğer Kaynaklar: |
| Neural Network Programming with Java, Alan Souza (Author), Fábio Soares (Author), Packt Publishing (February 4, 2016) |
| |
| Öğretim Yöntem ve Teknikleri: |
| Haftalık 3 saat teori |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %25 |
| Final Sınavı | 1 | %25 |
| Proje | 2 | %20 |
| Ödev | 4 | %30 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı |
| 1 | Matematik, fen bilimleri, temel mühendislik, bilgisayarla hesaplama ve ilgili mühendislik disiplinine özgü konularda bilgi; bu bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi. | 3 |
| 2 | Karmaşık mühendislik problemlerini, temel bilim, matematik ve mühendislik bilgilerini kullanarak ve ele alınan problemle ilgili BM Sürdürülebilir Kalkınma Amaçlarını gözeterek tanımlama, formüle etme ve analiz becerisi. | 2 |
| 3 | Karmaşık mühendislik problemlerine yaratıcı çözümler tasarlama becerisi; karmaşık sistemleri, süreçleri, cihazları veya ürünleri gerçekçi kısıtları ve koşulları gözeterek, mevcut ve gelecekteki gereksinimleri karşılayacak biçimde tasarlama becerisi. | 0 |
| 4 | Karmaşık mühendislik problemlerinin analizi ve çözümüne yönelik, tahmin ve modelleme de dahil olmak üzere, uygun teknikleri, kaynakları ve modern mühendislik ve bilişim araçlarını, sınırlamalarının da farkında olarak seçme ve kullanma becerisi. | 3 |
| 5 | Karmaşık mühendislik problemlerinin incelenmesi için literatür araştırması, deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama dahil, araştırma yöntemlerini kullanma becerisi. | 0 |
| 6 | Mühendislik uygulamalarının BM Sürdürülebilir Kalkınma Amaçları kapsamında, topluma, sağlık ve güvenliğe, ekonomiye, sürdürülebilirlik ve çevreye etkileri hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | 0 |
| 7 | Mühendislik meslek ilkelerine uygun davranma, etik sorumluluk hakkında bilgi; hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık. | 0 |
| 8 | Bireysel olarak ve disiplin içi ve çok disiplinli takımlarda (yüz yüze, uzaktan veya karma) takım üyesi veya lideri olarak etkin biçimde çalışabilme becerisi. | 0 |
| 9 | Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü, yazılı etkin iletişim kurma becerisi. | 0 |
| 10 | Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi; girişimcilik ve yenilikçilik hakkında farkındalık. | 0 |
| 11 | Bağımsız ve sürekli öğrenebilme, yeni ve gelişmekte olan teknolojilere uyum sağlayabilme ve teknolojik değişimlerle ilgili sorgulayıcı düşünebilmeyi kapsayan yaşam boyu öğrenme becerisi. | 2 |