| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Derin Öğrenmeye Giriş | ENF 547 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Prof.Dr. DEVRİM AKGÜN |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Öğretim |
| Dersin Amacı | Derin öğrenme hakkında matematiksel temelleri öğretmek, derin öğrenme ile ilgili açık kaynak kütüphaneleri kullanabilmek, derin öğrenme uygulaması geliştirebilmek. |
| Dersin İçeriği | 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. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Derin öğrenme hakkında temel konuları bilir | Anlatım, Soru-Cevap, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , | Sınav, Ödev, Proje / Tasarım, |
| 2 | 1D ve 2D convnet-konvolüsyon katmanlarını bilir | Anlatım, Soru-Cevap, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , | Sınav, Ödev, Proje / Tasarım, |
| 3 | Derin öğrenme ile ilgili açık kaynak kütüphaneleri kullanır | Anlatım, Soru-Cevap, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , | Sınav, Ödev, Proje / Tasarım, |
| 4 | Metin işleme, Embedding Layer, Simple RNN, LTSM ve GRU katmanlarını bilir | Anlatım, Alıştırma ve Uygulama, Problem Çözme, Proje Temelli Öğrenme , | Sınav, Ödev, Proje / Tasarım, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 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 | Sunumlar |
| 11 | LSTM ve GRU katmanları | Sunumlar |
| 12 | 1D convnets ile dizi işleme | Sunumlar |
| 13 | Keras functional API, Çok girişli veya çok çıkışlı modeller | Sunumlar |
| 14 | Generative deep learning | Sunumlar |
| Kaynaklar | |
|---|---|
| Ders Notu | Haftalık yüklenen sunumlar. |
| Ders Kaynakları | Chollet, Francois. Deep learning with python. Manning Publications Co., 2017. Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016. |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim Sistemlerindeki yada farklı bir alandaki bilgilerin genişletilmesi ve derinleştirilmesi ile birlikte bilimsel araştırma yaparak bilgiye ulaşabilme, bilgiyi değerlendirme, yorumlama ve uygulama yapabilmek | X | |||||
| 2 | Bilişim Sistemlerindeki sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi geliştirebilmek, bilimsel, toplumsal ve etik sorumluluk ile kullanabilmek | X | |||||
| 3 | Bilişim Sistemlerindeki bir problemi, bağımsız olarak kurgulamak, çözüm yöntemi geliştirmek, çözmek, sonuçları değerlendirmek ve gerektiğinde uygulayabilmek | X | |||||
| 4 | Bilişim Sistemlerindeki güncel gelişmeleri ve kendi çalışmalarını, Bilişim Sistemlerindeki ve Bilişim Sistemleri dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli bir şekilde aktarabilmek | X | |||||
| 5 | Bilişim Sistemlerindeki uygulamalarda karşılaşacağı öngörülmeyen karmaşık durumlarda, yeni stratejik yaklaşımlar geliştirebilmek ve sorumluluk alarak çözüm üretebilmek | X | |||||
| 6 | Bilişim Sistemleri ile ilgili konularda strateji, politika ve uygulama planları geliştirebilmek ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirebilmek | X | |||||
| 8 | Bilişim Sistemleri ile ilgili verilerin toplanması, yorumlanması, duyurulması aşamalarında bilimsel, sosyal ve etik değerleri gözeterek bu değerleri öğretebilmek ve denetlemek | X | |||||
| 9 | Bilişim Sistemlerinde özümsedikleri bilgiyi ve problem çözme yeteneklerini, disiplinler arası çalışmalarda uygulayabilmek. | X | |||||
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 60 |
| 1. Proje / Tasarım | 20 |
| 1. Ödev | 10 |
| 2. Ödev | 10 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 50 |
| 1. Final | 50 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Ara Sınav | 1 | 15 | 15 |
| Ödev | 2 | 5 | 10 |
| Proje / Tasarım | 1 | 10 | 10 |
| Final | 1 | 20 | 20 |
| Toplam İş Yükü | 151 | ||
| Toplam İş Yükü / 25 (Saat) | 6,04 | ||
| Dersin AKTS Kredisi | 6 | ||