| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Nöral Programlama | CENG 507 | 5 | 12 | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | Türkçe |
| Dersin Seviyesi | Yüksek 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. |
| |
| 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 |