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 Kullanıcıların iş verilerine erişmesine izin vermek için çağdaş bir nesne yönelimli dilde bir kullanıcı arabirimi oluşturabilir
- P02 Kullanıcı ihtiyaçlarını tanımlayın ve analiz edin ve bilgi işlem tabanlı sistemlerin seçiminde, oluşturulmasında, entegrasyonunda, değerlendirilmesinde ve yönetiminde bunları dikkate alabilir
- P03 Ortak iş fonksiyonlarını analiz edebilir ve uygun bilgi teknolojisi çözümlerini belirleyebilir, tasarlayabilir ve geliştirebilir
- P04 Uygun problem çözme stratejilerini kullanarak çağdaş iş ortamları için yazılım çözümleri tasarlayabilir ve geliştirebilir
- P05 Çağdaş iş ortamlarını desteklemek için veritabanı sunucusunu yapılandırabilir ve yönetebilir
- P06 Küçük ila orta ölçekli bir şirket için ilişkisel bir veritabanını yönetebilir
- P07 BT tabanlı çözümleri kullanıcı ortamına etkin bir şekilde entegre edebilir
- P08 Profesyonel, etik, yasal, güvenlik ve sosyal konuları ve sorumlulukları anlayabilir
- P09 Profesyonel ortamla uyumlu etkili iletişim becerilerini uygulayabilir
- P10 Profesyonel ortamla uyumlu ekip çalışmasında etkili işbirliği becerilerini uygulayabilirler
Pç-Dç Matrisi
PÇ-ÖÇ matrisi henüz doldurulmamış.