SİNİR AĞLARI VE DERİN ÖĞRENME
- Ders
- DASC488 - SİNİR AĞLARI VE DERİN ÖĞRENME
- Bölüm
- Veri Bilimi - İngilizce - Lisans
- Ders Tipi
- Ders
- Durum
- Zorunlu
- Dil
- İngilizce
- Kredi
- 3
- AKTS
- 6
- T+P+L
- 3 + 0 + 1
- Ders Koordinatörleri
- Prof. Dr. Tolgay KARANFİLLER
- Ön Koşul
- -
Ders Açıklaması
Bu derste, akıl yürütme ve problem çözme için biyolojik sinir ağını taklit eden matematiksel bir paradigma olan Yapay Sinir Ağı (YSA) işlenmektedir. Uygulamaya odaklanan ders, çeşitli gerçek dünya uygulamaları için YSA modellerini kapsar ve derin öğrenme araç ve tekniklerine uygulamalı bir giriş sunar. Öğrencilerin bu dersi anlamak için kapsamlı bir matematik geçmişine sahip olmaları gerekmez. Ders, McCulloch-Pitts modelini ve temel sinir ağı modellerini, çok katmanlı algılayıcıyı, ilişkisel hafızayı, kendi kendini organize eden haritaları, tekrarlayan sinir ağlarını vb. kapsayarak bu modellerin çeşitli veri türlerine uygulamalarını gözden geçirir. Bu dersi tamamlayan öğrenciler, sinir ağları ve derin öğrenme bağlamı, derin öğrenmenin veri talepleri ve sinir ağların parametreleri hakkında geniş bir anlayış kazanacaklar.
SİNİR AĞLARI VE DERİN ÖĞRENME
Değerlendirme Araçları (Aktif Dönem)
| Öğe | Tür | Ağırlık (%) |
|---|---|---|
| Kısa Sınav 1 | Kısa Sınav | 15 |
| Kısa Sınav 2 | Kısa Sınav | 15 |
| Vize | Ara Sınav | 30 |
| Final | Final | 40 |
| Toplam | 100 | |
Ders çıktıları
Henüz ders çıktısı tanımlanmamış.
Ders Müfredatı
| Hafta | Konu |
|---|---|
| Hafta 1 | Introduction to Artificial Neural Networks |
| Hafta 2 | Basic Neuron Models — The McCulloch–Pitts Model |
| Hafta 3 | The Perceptron and Its Learning Rule |
| Hafta 4 | ADALINE / Delta Rule and Its Limitations |
| Hafta 5 | The Multilayer Perceptron (MLP) |
| Hafta 6 | Training the MLP and First Hands-On Model |
| Hafta 7 | Deep Learning Tools and Techniques |
| Hafta 8 | Midterm Exam Week |
| Hafta 9 | Midterm Exam Week |
| Hafta 10 | Convolutional Neural Networks (CNN) |
| Hafta 11 | Recurrent Neural Networks (RNN) |
| Hafta 12 | Advanced Sequence Modeling with LSTM / GRU |
| Hafta 13 | Associative Memory — Hopfield Networks |
| Hafta 14 | Self-Organizing Feature Maps (SOM / Kohonen) |
| Hafta 15 | Week 13: Applications, Data Requirements, and Course Review |
Referans Kitaplar & Ders Materyalleri
- 01 Neural Networks and Deep Learning: A Textbook (2. Baskı, 2023) Charu C. Aggarwal · Springer
- 02 Deep Learning with Python (2. Baskı, 2021) François Chollet (Keras'ın yaratıcısı) · Manning
- 03 Grokking Deep Learning (2019,) Andrew Trask · Manning
Ders Çıktıları
Öğrenme çıktısı tanımlanmamış.
Program Çıktıları
- P01 Programlama bilgisini uygulayabilme
- P02 Değişen komplekslikte software sistem tasarımı
- P03 Bilgisayar sebepli problemleri belirleme, kategorize etme ve çözüm geliştirme
- P04 Bilgisayar programcılık projelerinde yöneterek sorumluluk alma
- P05 Bilgisayar teknolojileri alanında güncel konseptleri takip etmek
- P06 Gerçekci kısıtlamalara uygun olarak gerekli bilgisayar sistemlerini dizayn etme, uygulama ve değerlendirmek.
- P07 Bilgisayar kullanımı için gerekli olan teknik, beceri ve araçları kullanabilme
- P08 Kanıta dayalı karar vermeyi kolaylaştırmak için kurumsal ve çevresel verilerin toplanmasına ve analizine uygun teknolojiler ve teknikler uygulamak
- P09 Profesyonel ortamla geçerli olan etkili iletişim becerileri uygulamak
- P10 Profesyonel ortamla geçerli olan etkin işbirliği becerileri uygulamak
Pç-Dç Matrisi
PÇ-ÖÇ matrisi henüz doldurulmamış.