SİNİR AĞLARININ TEMELLERİ
- Ders
- AIEN421 - SİNİR AĞLARININ TEMELLERİ
- Bölüm
- Yapay Zeka Mühendisliği - İngilizce - Lisans
- Ders Tipi
- Ders
- Durum
- Zorunlu
- Dil
- İngilizce
- Kredi
- 3
- AKTS
- 0
- T+P+L
- 3 + 0 + 0
- Ders Koordinatörleri
- Yrd. Doç. Dr. Tolga YIRTICI
- Ön Koşul
- -
- Anahtar Sözcükler
Ders Açıklaması
Sinir ağları dersi, insan beyninden esinlenen temel sinir ağı mimarilerini ve öğrenme algoritmalarını temsil eder. Nöro hesaplama, evrimsel hesaplama ile birlikte yapay zekanın bir alt konusu olarak kabul edilmektedir. Ders kapsamında algılayıcılar ve algılayıcı öğrenme algoritması tanıtılmaktadır. Öğrencilerin ders sonunda öğrenmiş olmaları beklenen konular arasında, mimariler arasında Çok Katmanlı Algılayıcılar, Hopfield Modeli ve Mallberg’in ve Kohonen’in modellerini kapsayan Kendi Kendine Düzenlenmiş Haritalar bulunur. Ders konuları, öğrenme algoritmaları, geri yayılım, Hebbian öğrenme, rekabetçi öğrenme ve seçilen kümeleme algoritmaları dahil olmak üzere seçilen denetimli ve denetimsiz öğrenme algoritmalarını kapsayacaktır. Çeşitli örüntü tanıma ve bilgisayarla görme uygulamaları vaka çalışmaları olarak sunulacaktır. Uygulamalar seçilen simülatörlerde simüle edilecektir.
SİNİR AĞLARININ TEMELLERİ
Değerlendirme Araçları (Aktif Dönem)
| Öğe | Tür | Ağırlık (%) |
|---|---|---|
| Midterm | Ara Sınav | 35 |
| Final | Final | 45 |
| Quiz 1 | Kısa Sınav | 10 |
| Quiz 2 | Kısa Sınav | 10 |
| Toplam | 100 | |
Ders çıktıları
Henüz ders çıktısı tanımlanmamış.
Ders Müfredatı
| Hafta | Konu |
|---|---|
| Hafta 1 | Introduction to Neural Networks (Biological vs. artificial neurons, history, ML paradigms, applications) |
| Hafta 2 | Feedforward Neural Networks (Perceptron, MLP, forward propagation, activation functions) |
| Hafta 3 | Feedforward Neural Networks (Perceptron, MLP, forward propagation, activation functions) |
| Hafta 4 | Training Neural Networks (Loss functions, gradient descent, backpropagation) |
| Hafta 5 | Improving Neural Networks (Learning rate, momentum, overfitting, L1/L2, dropout, batch normalization, label smoothing) |
| Hafta 6 | Radial Basis Function Networks (Gaussian basis functions, K-means, center selection, pseudo-inverse, gradient descent) |
| Hafta 7 | QUIZ 1 && Self-Organizing Maps (SOM) (Competitive learning, BMU, neighborhood, clustering, visualization) |
| Hafta 8 | Midterm Week |
| Hafta 9 | Midterm Week |
| Hafta 10 | Grow-When-Required (GWR) & ECoS (Incremental learning, adaptive growth, online learning) |
| Hafta 11 | Hopfield Networks (Associative memory, Hebbian learning, energy function, convergence) |
| Hafta 12 | Time-Delay & Elman Networks (Tapped delay line, teacher forcing, recurrent connections) |
| Hafta 13 | GRU & LSTM (Vanishing gradients, gates, sequence learning) |
| Hafta 14 | Convolutional Neural Networks (Convolution, filters, padding, stride, pooling, CNN architectures) |
| Hafta 15 | QUIZ 2 && Model Evaluation & Modern Applications (Train/validation/test split, confusion matrix, precision, recall, F1, ethics, applications) |
Referans Kitaplar & Ders Materyalleri
- 01 Haykin, S. Neural Networks and Learning Machines, 3rd Edition, Pearson, 2009.
- 02 Aggarwal, C. C. Neural Networks and Deep Learning: A Textbook, Springer, 2018.
- 03 Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning, MIT Press, 2016.
- 04 Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, 3rd Edition, O'Reilly Media, 2022.
Ders Çıktıları
Öğrenme çıktısı tanımlanmamış.
Program Çıktıları
- Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi.
- Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi.
- Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi.
- Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi.
- Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi.
- Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi.
- Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi.
- Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi.
- Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi.
- Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi , iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi.
- Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık.
Pç-Dç Matrisi
PÇ-ÖÇ matrisi henüz doldurulmamış.