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
- P01 Gerçek yaşam durumlarındaki zorluklara veri bilimi ilke ve tekniklerini uygulayabilir ve çözümlerini etkin bir şekilde iletebilirler.
- P02 Teorik fikirlere, etik koda ve temel verilere ilişkin derinlemesine bilgiye dayalı veri analizi metodolojilerini belirleyebilir ve uygulayabilirler.
- P03 Gerçek hayattaki uygulamalarda bilgi analizi için yol gösterici kavramları ve değerlendirme prosedürlerini analiz edebilirler.
- P04 İşle ilgili sorunlara belirsiz çözümler bulmak için ilgili veri analizi modellerini tasarlayabilir ve uygulayabilirler.
- P05 Paralel ve dağıtılmış bilgi işlem ve makine öğrenimi gibi büyük miktarda veriyle karakterize edilen gerçek dünya sorunlarını ele almak için modern bilgi işlem tekniklerinden yararlanabilirler.
- P06 Her boyuttaki yapılandırılmış ve yapılandırılmamış veri kümesinden kullanılabilir bilgileri verimli bir şekilde üretmek için gereken yazılım araçlarını yapılandırabilir ve yönetebilirler.
- P07 Karmaşık verilerden yararlı bilgiler elde etmeyi amaçlayan projeleri organize etmek ve tamamlamak için veri bilimi araçlarını ve tekniklerini yönetebilirler.
- P08 Gerçek dünyadaki sorunları çeşitli açılardan kavrayarak eleştirel ve yaratıcı düşünebilirler ve sorunları işbirliği içinde çözmek için çeşitli ekiplerde çalışabilirler.
- P09 Veri tabanlı çözümleri kullanıcı ortamına etkin bir şekilde entegre edebilme ve teknik olmayan profesyonellere bu çözümleri keşfetme, görselleştirme ve kullanma konusunda yardımcı olabilirler.
- P10 Veri sahipliği ve atıf, veri güvenliği ve hassasiyeti ve veri analizinin mahremiyet üzerindeki etkileri gibi konularda mesleki ve etik standartlar kapsamındaki yükümlülüklerini anlayabilirler.
Pç-Dç Matrisi
PÇ-ÖÇ matrisi henüz doldurulmamış.