| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Evrişimli Sinir Ağları | EE 541 | 5 | 9 | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Belirsiz |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Kurs, makine öğreniminin temellerine genel bir bakışla başlayıp görüntü / sinyal sınıflandırma yaklaşımları, sinir ağları ve evrişimli sinir ağları (CNN), tekrarlayan sinir ağları ve üretken ağlar ile başlayan çeşitli ilişkili kavramları kapsayacaktır. Kurs, temel olarak bilgisayarla görme ve diğer sinyal işleme amaçları için eğitilmiş derin CNN'lerin nasıl tasarlanıp görselleştirileceğini anlamaya odaklanacaktır. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Kurs lojistiğine giriş (not verme, ödev, projeler, kodlama platformu vb.), Genel bakış ve makine öğrenimi |
| 2 | Sinyal Sınıflandırma, Veriye dayalı yaklaşım, K-en yakın komşu, Doğrusal Sınıflandırma |
| 3 | Kayıp Fonksiyonları ve Optimizasyon, Doğrusal Sınıflandırma (devam), Temsiller, görüntü özellikleri, Optimizasyon, stokastik gradyan inişi. |
| 4 | Sinir Ağları (NN), NN Yapıları ve Algılayıcı, İleri ve Geri Yayılma, Çok Katmanlı Algılayıcı |
| 5 | Evrişimli Sinir Ağları (CNN), Biyolojik Kavramlarla İlişkisi, Evrişim Katmanı (filtreleme, havuzlama) |
| 6 | CNN eğitimi, bölüm I, Aktivasyon işlevleri, Ağırlık Başlatma, Bırakma ve grup normalleştirme kavramları. |
| 7 | CNN, bölüm II, Topluluklar, Veri Artırma, İnce Ayarlama ve Transfer Öğrenme Eğitimi |
| 8 | Derin Öğrenme Yazılım Araçları, Kitaplıkları ve Platformları, Caffee, MatConvNet vb. |
| 9 | CNN Mimarileri, AlexNet, VGG, Resnet, Siyam Ağları vb. |
| 10 | Tekrarlayan Sinir Ağları, Durumlar ve Bellek, RNN, LSTM |
| 11 | CNN Uygulamaları, Algılama, Tanıma ve Segmentasyon |
| 12 | CNN katmanlarını görselleştirme ve anlama, Özellik Görselleştirme, Ters Çevirme, İnce Ayar Uygulamaları |
| 13 | Üretken Modeller, Varyasyonel Otomatik Kodlayıcılar, Üretken Çekişmeli Ağlar (GAN'lar) |
| 14 | Proje Haftası, grup başına 15 dakikalık proje sunumları ve tartışmalar. |
| |
| Kaynaklar: |
| Ian Goodfellow, Yoshua Bengio,Aaron Courville “Deep Learning” MIT Press 2016 9780262035613 |
| |
| Diğer Kaynaklar: |
| |
| |
| Öğretim Yöntem ve Teknikleri: |
| • Haftada 3 saat ders
• Sınıfta gösterilecek grup projeleri |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ödev | 1 | %10 |
| Ara sınav | 1 | %20 |
| Final Sınavı | 1 | %30 |
| Proje | 1 | %40 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |