Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Derin Öğrenme ve Evrişimli Sinir Ağları BSM 432 8 3 + 0 3 5
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili Türkçe
Dersin Seviyesi Lisans
Dersin Türü Seçmeli
Dersin Koordinatörü Dr.Öğr.Üyesi ULAŞ YURTSEVER
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

Matematiksel temeller, tensor işlemleri, Graident descent, backpropagation, Keras deeplearning kütüphanesi ve kullanım örnekleri, Makine öğrenmesi modelleri, Konvolüsyon (evrişim) Sinir Ağları (convnets convolutional neural networks), Ön eğitimli convnet ile özellik çıkarma, convnet görselleştirme, Metin verisi ile derin öğrenme, recurrent neural networks, Dizi işleme için 1D convnets , Keras functional API, Keras fonksiyonlarınını kullanımı, TensorBoard görselleştirme aracı, Üretken (generative) derin öğrenme

# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Derin öğrenme hakkında temel konuları bilir Anlatım, Soru-Cevap, Beyin Fırtınası, Tartışma,
2 Derin öğrenmede kullanılan ağ yapılarını bilir Tartışma, Beyin Fırtınası, Soru-Cevap, Anlatım,
3 Derin öğrenme ile ilgili açık kaynak kütüphanelerle uygulama geliştirir Tartışma, Beyin Fırtınası, Soru-Cevap, Anlatım,
Hafta Ders Konuları Ön Hazırlık
1 Yapay zeka, makine öğrenmesi ve derin öğrenmeye genel bakış
2 Matematiksel temeller, Gradient descent algoritmaları, kayıp fonksiyonları, backpropagation
3 Python ile tensor işlemleri, Keras derin öğrenme kütüphanesi
4 Makine öğrenmesi temelleri, Çok etiketli sınıflandırma, Regresyon
5 Veri önişleme, aşırı uydurma, düzenlileştirme, dropout
6 Convolutional (evrişimli) Sinir Ağları (convnets), pooling
7 Görüntü verilerinin zenginleştirilmesi, ön eğitimli (pretrained) ağlar
8 İnce ayar, konvlüsyon filtrelerinin görselleştirilmesi, Metin verisi ile derin öğrenme
9 Recurrent neural networks, LSTM ve GRU
10 1D convnets ile dizi işleme
11 Keras functional API, Çok girişli veya çok çıkışlı modeller
12 Üretken (generative) derin öğrenme
13 Sunumlar
14 Sunumlar
Kaynaklar
Ders Notu

Haftalık yüklenen sunumlar

Ders Kaynakları

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

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

Sıra Program Çıktıları Katkı Düzeyi
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 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
4 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
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, X
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. X
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. X
11 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. X
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. X
# Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı PÇ 1 PÇ 2 PÇ 3 PÇ 4 PÇ 5 PÇ 6 PÇ 7 PÇ 8 PÇ 9 PÇ 10 PÇ 11 PÇ 12
1 Derin öğrenme hakkında temel konuları bilir 0 5 5 5 2 2 3 2 1 1 0 0
2 Derin öğrenmede kullanılan ağ yapılarını bilir 0 5 5 5 4 5 1 1 1 1 0 0
3 Derin öğrenme ile ilgili açık kaynak kütüphanelerle uygulama geliştirir 1 5 5 5 5 5 5 5 1 1 1 1
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
1. Proje / Tasarım 60
1. Ara Sınav 35
1. Kısa Sınav 5
Toplam 100
1. Final 50
1. Yıl İçinin Başarıya 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 2 32
Ara Sınav 1 10 10
Final 1 20 20
Proje / Tasarım 1 15 15
Kısa Sınav 1 1 1
Toplam İş Yükü 126
Toplam İş Yükü / 25 (Saat) 5,04
Dersin AKTS Kredisi 5