Ders Genel Bilgileri

Ders Kodu AKTS T+U+L Kredi Ders Türü YAZ20411 5 3+0 3 Seçmeli Ders Linki (Türkçe) : Kopyala Ders Linki (İngilizce) : Kopyala Dersin Dili Türkçe Dersin Düzeyi Lisans Öğretim Türü Örgün Öğretim Dersin Türü Seçmeli Dersin Amacı Farklı tip verilerden elde edilen üst düzey özellikleri derin mimarilerden yararlanarak öğrenmek için kullanılabilecek yöntemlerinin sunulması ve bu yöntemlerin görüntü tanımadan robot kontrolüne kadar farklı amaçlar için nasıl uygulanabileceğinin gösterilmesi. Dersin İçeriği Derin öğrenmenin tarihçesi ve teorik avantajları, Derin öğrenme için kullanılabilecek temel yapay sinir ağı mimarileri ve öğrenme algoritmaları, Dağıtık Modellerin Düzenlenmesi, Derin Modellerin Eğitimi için Optimizasyon Teknikleri, Konvolüsyonel ağlar, Geri beslemeli ve özyineli ağlar, Otomatik Kodlayıcılar ve Lineer Faktör Modelleri, Temsil Yoluyla Öğrenme, Derin Üretken Modeller – Boltzman Makineleri. Dersin Ön Koşulları - Dersin Koordinatörü Doç. Dr. Talha Burak ALAKUŞ Dersi Verenler Dr. Öğr. Üyesi Fatih BAL Dersin Yardımcıları Arş. Gör. Dilan ONAT ALAKUŞ Staj Durumu Yok

Dersin Kaynakları

Kaynaklar 1-Aurelien Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent, OReilly, II. Baskı, 2- Yoshua Bengio, Ian J. Goodfellow and Aaron Courville, “ Deep Learning”, Book in preparation for MIT Press, 2015.3- François Chollet, Python ile Derin Öğrenme, Buzdağı Yayınevi, I. Baskı4- Sinan Uğuz, MAKİNE ÖĞRENMESİ Teorik Yönleri ve PYTHON Uygulamaları ile Bir YAPAY ZEKA Ekolü, Nobel Akademik Yayıncılık, III. Baskı Notlar İlgili öğretim üyesinin önereceği kitap, ders notu, internet. Döküman Ders notları dersin sonunda öğrencilerle paylaşılmaktadır. Ödev -

Ders Yapısı

Matematik ve Temel Bilimler % 25 Mühendislik Bilimleri % 25 Mühendislik Tasarımı % 25 Sosyal Bilimler % 0 Eğitim Bilimleri % 0 Fen Bilimleri % 0 Sağlık Bilimleri % 0 Alan Bilgisi % 25

Değerlendirme Ölçütleri Yarı Yıl Çalışmaları Sayısı Katkı Ara Sınav 1 % 30 Kısa Sınav 2 % 10 Ödev 0 % 0 Devam 0 % 0 Uygulama 0 % 0 Proje 1 % 10 Yarıyıl Sonu Sınavı 1 % 50 Arazi Çalışması 0 % 0 Atölye Çalışması 0 % 0 Laboratuvar 0 % 0 Sunum/Seminer Hazırlama 0 % 0 Toplam 5 % 100

AKTS Hesaplama İçeriği Etkinlik Sayısı Süresi (Saat) Toplam İş Yükü Ders Süresi 15 3 45 Sınıf Dışı Ç. Süresi 15 3 45 Ödevler 1 25 25 Ara Sınavlar 1 10 10 Yarıyıl Sonu Sınavı 1 10 10 Kısa Sınav 2 10 20   155 | AKTS Kredisi : 5

Ders Konuları

Hafta Konu Öğretim Yöntem ve Teknikleri Döküman 1 Genel Bilgilendirme, Yapay Zekâ Genel Konular, Makine Öğrenimine Genel Bakış Anlatım, Tartışma ve Yorumlama Hinton, G. E, Osindero, S., and Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18:1527-1554. Bengio, Y., Lamblin, P., Popovici, P., Larochelle, H. (2007). Greedy Layer-Wise Training of Deep Networks, Advances in Neural Information Processing Systems. 2 Makine Öğreniminde Regresyon Modelleri ve Matematiksel Temeller Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 1,2.3 ve 4. bölüm 3 Makine Öğreniminde Sınıflandırma Modelleri Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 5. Bölüm J. Schmidhuber. Deep Learning in Neural Networks: An Overview. Neural Networks, Volume 61, January 2015, Pages 85-117. 4 Makine Öğreniminde Eğitim Optimizasyon Teknikleri Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 6. bölüm 5 Nöral Ağların Temelleri Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 7. bölüm 6 Yapay Sinir Ağları Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 8. bölüm 7 Derin Öğrenmede Temel Kavramlar, Terminoloji ve Yöntemler Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 9. bölüm 8 Ara Sınav Exam - 9 CNN Mimarisi - I Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 15. bölüm 10 CNN Mimarisi - II ve Transfer Öğrenme Modelleri Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 16. bölüm 11 CNN Mimarilerinde Optimizasyon Teknikleri Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 16. bölüm 12 RNN ve LSTM Ağları Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 20. bölüm 13 Vision Transformers Modeli Anlatım, Tartışma, Yorumlama, Problem Çözme ve Uygulama Ders Kitabı 21. bölüm 14 Dersin Özeti, Gözden Geçirilmesi ve Genel Değerlendirmesi Tartışma, Yorumlama ve Uygulama - 15 Proje Sunumları Grup Çalışması, Anlatım ve Uygulama Gösterimi -

Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:

# Açıklama 1 Öğrenciler etkinliği açısından yaygın derin öğrenme yöntemlerini değerlendirebilir. 2 Öğrenciler kullanılması düşünülen derin öğrenme yönteminin avantaj ve dezavantajlarını değerlendirebilir. 3 Öğrenciler temel derin öğrenme çözümleri tasarlayıp sınayabilir. 4 Öğrenciler öngörülen çözüm için uygun derin öğrenme mimarisi ve algoritmasını belirleyip uygular. 5 Öğrenciler derin modellerin düzenlenmesi ve optimizasyon yöntemleri hakında bilgi sahibidir.

Dersin Program Çıktılarına Katkısı

P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 Ö1 4 5 5 5 5 4 3 3 3 3 3 Ö2 4 5 4 5 5 4 3 3 3 2 2 Ö3 4 5 4 5 5 3 3 3 2 3 2 Ö4 4 5 4 5 5 3 3 3 2 2 2 Ö5 4 5 4 5 5 3 3 3 2 2 2

Katkı Düzeyi: 0:Yok     1:Çok Düşük     2:Düşük     3:Orta     4:Yüksek     5:Çok Yüksek