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 Kuruluşlarda karşılaşılan güvenlik sorunlarına güvenlik protokolünü ve araçlarını anlayabilirler ve uygulayabilirler,
- P02 Güvenlik sorunlarıyla mücadele etmek için güvenlik yazılımı tasarlayabilirler,
- P03 Bilgisayar odaklı zorluklar için güvenlik çözümlerini tanımlayabilir, kategorize edebilir ve geliştirebilirler
- P04 Bilgisayar güvenliği projelerinin yönetiminde özerklik ve sorumluluk gösterebilirler
- P05 Bilgisayar teknolojisi güvenliğinde en son kavramları takip edebilirler
- P06 Gerçekçi kısıtlamalar içinde istenen güvenlik ihtiyaçlarını karşılamak için bir hesaplama sistemi tasarlayabilir, uygulayabilir ve değerlendirebilirler
- P07 Bilgisayar sistemlerinin güvenliğini sağlamak için gerekli olan uygun güvenlik tekniklerini, protokolleri, becerileri ve araçları kullanabilirler
- P08 Profesyonel, etik, yasal, güvenlik ve sosyal konuları ve sorumlulukları anlayabilirler
- P09 Profesyonel ortamla uyumlu ekip çalışmasında etkili işbirliği becerilerini uygulayabilirler
- P10 Bir kuruluşta güvenli bir operasyonu kolaylaştırmak için uygun güvenlik teknolojisi ve tekniklerini uygulayabilirler
Pç-Dç Matrisi
PÇ-ÖÇ matrisi henüz doldurulmamış.