| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Gömülü Derin Öğrenme | EE 545 | 5 | 9 | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Gömülü Derin Öğrenme Sistemlerini Anlamak |
| 2. Gömülü Derin Öğrenme Performansının Ölçülmesinin Anlaşılması |
| 3. Performans sınırlamaları olan gömülü yapay zeka sistemlerinin eğitimi ve testi. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Ders, bilgisayarlı görme temellerine genel bir bakışla başlayıp görüntü sınıflandırma yaklaşımları, sinir ağları ve evrişimli sinir ağları (CNN), yinelemeli sinir ağları ve üretken ağlarla devam ederek çeşitli ilişkili kavramları kapsayacaktır. Ders, esas olarak bilgisayarlı görme amaçları için eğitilmiş derin CNN'lerin nasıl tasarlanıp görselleştirileceğini anlamaya odaklanacaktır. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Gömülü Derin Öğrenme Kavramlarına Giriş, Derin sinir ağlarının hesaplama boyutunun ölçülmesi |
| 2 | Gömülü Performansın Ölçülmesi (IOPs, FLOPS, Güç Verimliliği, Kararlılık, Kullanıcı Dostuluk) |
| 3 | Mevcut Gömülü Mimariler/Çözümler (CMO tabanlı, CPU'lar, GPU'lar, FPGA'lar, SoC'ler), Avantajlarına ilişkin analizler |
| 4 | Derin GPU Uygulaması? Mevcut Derin Öğrenme mimarileri neden GPU tabanlıdır? |
| 5 | Derin Evrişimsel Ağın Sabit Nokta Kuantizasyonu |
| 6 | Sabit Nokta Ağı eğitimi, geri yayılım ve bit genişliği optimizasyonu |
| 7 | Pratik: CPU tabanlı sabit noktalı basit bir CNN |
| 8 | Proje Teklifleri ve Sunumları |
| 9 | CPU'lardaki sinir ağlarının hızının artırılması |
| 10 | Hashing Kullanarak Sinir Ağlarını Sıkıştırma: HashedNet |
| 11 | MobileNets: Mobil Görüntü Uygulamaları için Verimli Evrişimsel Sinir Ağları FPGA Tabanlı Derin Öğrenme Hızlandırıcıları: Zorluklar ve Fırsatlar |
| 12 | FPGA Tabanlı Derin Öğrenme Hızlandırıcıları: Zorluklar ve Fırsatlar |
| 13 | Mobil/Gömülü Yapay Zeka Sistem-Üzeri Çip çözümleri |
| 14 | Proje Gösterimleri ve Performans Analizleri |
| |
| Kaynaklar: |
| Moons, Bert, Bankman, Daniel, Verhelst, Marian “Embedded Deep Learning” Springer 2019 |
| |
| Diğer Kaynaklar: |
| |
| |
| Öğretim Yöntem ve Teknikleri: |
| • Haftada 3 saat ders anlatımı
• 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 |