| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Derin Öğrenme | İVA 527 | 5 | 9 | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| 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:
Derin öğrenme, temeli yapay zekâya dayanan ve makine öğrenmesinde kullanılan sinir ağı modellerinin görüntü işleme, ses tanıma ve doğal dil işleme gibi alanlarda uygulamaları ile ön plana çıkan çok katmanlı şeklidir. Karmaşık ve çok sayıda verinin bulunduğu uygulamalarda yüksek başarım oranı ile veriye dayalı karar verebilen yeni bir teknoloji olarak da tanımlanabilir. Otonom araçlar, yüz tanıma, farklı diller arasında makine çevirisi, tıpta özellikle radyolojik verilerin analizi ve Go gibi bilgisayar oyunlarında kullanılmaktadır. Görüntü çözümleme ya da ses tanıma gibi yapay zekanın yıllardır araştırma yapılan konularına katkısı çok fazla olmuştur.
Bu derste yapay sinir ağları konularını inceledikten sonra Evrişimsel Yapay Sinir Ağları (CNN) ve genel olarak derin öğrenme uygulama alanları işlenecektir.
|
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Giriş |
| 2 | İnsan beyni, biyolojik ve yapay görme |
| 3 | Doğal dil işlemede derin öğrenme kullanımı |
| 4 | Oyun oynayan makineler |
| 5 | Perceptron, eşik fonksiyonları |
| 6 | Yapay sinir ağları, ileri beslemeli sinir ağlarının temelleri |
| 7 | Nöron ağlarının eğitilmesi |
| 8 | Ara sınav |
| 9 | Geri yayılım (veya backprop) algoritması |
| 10 | Evrişimli sinir ağları (CNN), TensorFlow ortamında |
| 11 | Transfer öğrenme. Tekrarlayan sinir ağları (RNN), tekrarlayan sinir ağlarının görüntü anlamadaki |
| 12 | Proje sunumları |
| 13 | Proje sunumları |
| 14 | Makine ve derin öğrenme uygulamalarına genel bakış |
| |
| Kaynaklar: |
| Jon Krohn, Grant Beyleveld, Aglaé Bassens
Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence, Addison-Wesley Professional, 2019, ISBN 9780135116821
Magnus Ekman
Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, NLP, and Transformers using TensorFlow, Addison-Wesley Professional, 2021, ISBN 9780137470198
|
| |
| Diğer Kaynaklar: |
| Ian Goodfellow, Yoshua Bengio, Aaron Courville, Derin Öğrenme, Buzdağı Yayınları, 2018. |
| |
| Öğretim Yöntem ve Teknikleri: |
| Yüz yüze dersler şeklinde. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara sınav | 1 | %20 |
| Final Sınavı | 1 | %30 |
| Proje | 1 | %50 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |