Course Name Code Semester T+U Hours Credit ECTS
Derin Öğrenmeye Giriş ISE 469 7 3 + 0 3 5
Precondition Courses
Recommended Optional Courses
Course Language Türkçe
Course Level Lisans
Course Type Seçmeli
Course Coordinator Doç.Dr. DEVRİM AKGÜN
Course Lecturers Doç.Dr. DEVRİM AKGÜN,
Course Assistants
Course Category Alanına Uygun Öğretim
Course Objective

Derin öğrenme hakkında matematiksel temelleri öğretmek, derin öğrenme ile ilgili açık kaynak kütüphaneleri kullanabilmek, derin öğrenme uygulaması geliştirebilmek.

Course Content

Yapay zeka, makine öğrenmesi ve derin öğrenmeye genel bakış, Matematiksel temeller, Graident descent algoritmaları, kayıp fonksiyonları, backpropagation.  Keras derin öğrenme kütüphanesi,  Python ile tensor işlemleri.  Çok etiketli (multi label) sınıflandırma, Regresyon. Veri önişleme, aşırı uydurmanın (overfitting) önlenmesi, ağırlık regülarizasyonu, dropout. 2 Boyutlu Konvolüsyon (conv2D) Sinir Ağları (convnets), pooling. Görüntü verilerinin zenginleştirilmesi, ön eğitimli (pretrained) ağlar. İnce ayar, konvolüsyon filtrelerinin görselleştirilmesi. Metin verisi ile derin öğrenme, Emedding katmanları. Recurrent neural networks, LSTM ve GRU katmanları. Recurrent neural networks, LSTM ve GRU katmanları. 1D convnets ile dizi işleme. Keras functional API,  Çok girişli veya çok çıkışlı modeller. Üretken (generative) derin öğrenme.  Derin öğrenmede güncel konular ile ilgili sunumlar.

# Course Learning Outcomes Teaching Methods Assessment Methods
1 Derin öğrenme hakkında temel konuları bilir Anlatım, Soru-Cevap, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , Sınav , Ödev, Proje / Tasarım, Performans Görevi,
2 1D ve 2D convnet-konvolüsyon katmanlarını bilir Anlatım, Soru-Cevap, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , Sınav , Ödev, Proje / Tasarım, Performans Görevi,
3 Derin öğrenme ile ilgili açık kaynak kütüphaneleri kullanır Anlatım, Soru-Cevap, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , Sınav , Ödev, Proje / Tasarım, Performans Görevi,
4 Metin işleme, Embedding Layer, Simple RNN, LTSM ve GRU katmanlarını bilir Anlatım, Soru-Cevap, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , Sınav , Ödev, Proje / Tasarım, Performans Görevi,
Week Course Topics Preliminary Preparation
1 Yapay zeka, makine öğrenmesi ve derin öğrenmeye genel bakış Sunumlar
2 Matematiksel temeller, Gradient descent algoritmaları, kayıp fonksiyonları, backpropagation. Sunumlar
3 Python ile tensor işlemleri, Keras derin öğrenme kütüphanesi Sunumlar
4 Çok etiketli (multi label) sınıflandırma, Regresyon Sunumlar
5 Veri önişleme, aşırı uydurmanın (overfitting) önlenmesi, ağırlık regülarizasyonu, dropout Sunumlar
6 2 Boyutlu Konvolüsyon (conv2D) Sinir Ağları (convnets), pooling Sunumlar
7 Görüntü verilerinin zenginleştirilmesi, ön eğitimli (pretrained) ağlar Sunumlar
8 İnce ayar, konvolüsyon filtrelerinin görselleştirilmesi Sunumlar
9 Metin verisi ile derin öğrenme, Emedding katmanları Sunumlar
10 Recurrent neural networks, LSTM ve GRU katmanları Sunumlar
11 1D convnets ile dizi işleme Sunumlar
12 Keras functional API, Çok girişli veya çok çıkışlı modeller Sunumlar
13 Üretken (generative) derin öğrenme Sunumlar
14 Derin öğrenmede güncel konular ile ilgili sunumlar Sunumlar
Resources
Course Notes <p>Haftalık y&uuml;klenen sunumlar.</p>
Course Resources

Chollet, Francois. Deep learning with python. Manning Publications Co., 2017.

Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016.

Week Documents Description size
3 h3 2.69 MB
3 kod 0 MB
3 h3 2.69 MB
2 h2_gd_bp_loss 2.27 MB
0 h2_gd_bp_loss 2.27 MB
1 h01_1_giris 2.22 MB
0 h01_3_ysa_aktivasyon 2.19 MB
1 h01_3_ysa_aktivasyon 2.19 MB
1 h01_3_ysa_aktivasyon 2.19 MB
2 h2_gd_bp_loss 2.27 MB
2 h2_gd_bp_loss 2.27 MB
2 h2_kod 0 MB
3 h3 2.69 MB
3 h3_kod 0 MB
4 h4 1.39 MB
4 kod 0 MB
5 kod 0 MB
Order Program Outcomes Level of Contribution
1 2 3 4 5
1 Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi. X
2 Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. X
3 Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. X
4 Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. X
5 Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. X
6 Bilişim Teknolojilerinin yönetim, denetim, gelişim ve güvenliği/güvenilirliği hakkında bilgi sahibi olma ve farkındalık,
7 Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. X
8 Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi.
9 Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. X
10 Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi.
11 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi.
12 Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık.
Evaluation System
Semester Studies Contribution Rate
1. Ara Sınav 55
1. Proje / Tasarım 15
1. Performans Görevi (Uygulama) 10
2. Performans Görevi (Uygulama) 10
1. Kısa Sınav 10
Total 100
1. Final 50
1. Yıl İçinin Başarıya 50
Total 100
ECTS - Workload Activity Quantity Time (Hours) Total Workload (Hours)
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 2 32
Ara Sınav 1 10 10
Kısa Sınav 1 6 6
Performans Görevi (Uygulama) 2 7 14
Final 1 15 15
Total Workload 125
Total Workload / 25 (Hours) 5
dersAKTSKredisi 5