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 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.