| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Yapay Sinir Ağları | CENG 481 | | | 3 + 0 | 3 | 5,00 |
| |
| 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: |
| 1. Nöronlar, ağırlıklar, önyargılar, aktivasyon fonksiyonları ve katmanlar dahil olmak üzere bir yapay sinir ağının temel yapısını ve bileşenlerini açıklayabilecektir. |
| 2. Uygun çerçeve ve araçları kullanarak ileri beslemeli sinir ağları, evrişimli sinir ağları (CNN'ler) ve tekrarlayan sinir ağları (RNN'ler) gibi çeşitli sinir ağı mimarilerini tasarlayabilecek ve uygulayabilecektir. |
| 3. Geriye yayılım, gradyan iniş optimizasyon teknikleri ve model performansını iyileştirmek için hiperparametre ayarının önemini anlamak da dahil olmak üzere sinir ağlarının eğitim sürecinde yeterlilik kazanacaktır. |
| 4. Sinir ağlarını gerçek dünya problemlerine uygulayabilecek, doğruluk, kesinlik, geri çağırma ve F1 puanı gibi ölçütleri kullanarak performanslarını değerlendirebilecek ve sinir ağı modellerini kullanırken karşılaşılan zorlukları ve dikkat edilmesi gereken hususları kavrayacaktır. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | CENG466 |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Yapay sinir ağlarına genel bakış; eğitim algoritmaları, geri yayılım, ileri besleme ve tekrarlayan ağlar. Yapay sinir ağlarının tasarımındaki temel kavramlar ve bunların temel uygulama alanları da tanıtılmaktadır.
|
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Biyolojik nöron modeline giriş |
| 2 | Yapay nöronlar ve sınıflandırma yetenekleri |
| 3 | Algılayıcı |
| 4 | Çok katmanlı algılayıcı |
| 5 | Sinir ağlarını eğitmek |
| 6 | Geri yayılım |
| 7 | İleri besleme ve geri bildirim ağları |
| 8 | Hopfield ağı |
| 9 | Hebbian ağı |
| 10 | Tekrarlayan ağlar |
| 11 | Performans ölçümleri ve tasarım sorunları |
| 12 | Proje sunumları |
| |
| Kaynaklar: |
| Michael A. Nielsen, "Neural Networks and Deep Learning", Determination Press, 2015
Goodfellow, Ian, Yoshua Bengio, and Aaron Courville, "Deep learning", MIT press, 2016. isbn : 978-0262035613
Zhang, Lipton, Li, Smola, "Dive into Deep Learning"
|
| |
| Diğer Kaynaklar: |
| Martin T. Hagan. Neural Network Design. 2014. ISBN: 9780971732117 |
| |
| Öğretim Yöntem ve Teknikleri: |
| Dersler sınıf ortamında yapılacaktır. Öğrencilerin derslere katılması beklenmektedir. Bu ders önerisi için periyodik olarak laboratuvar saati gerekmemektedir. Öğrenciler, kendilerine güven duydukları herhangi bir OOP programlama dilini/dillerini kullanmakta özgürdürler. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ödev | 2 | %20 |
| Ara sınav | 1 | %20 |
| Proje | 1 | %40 |
| Final Sınavı | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |