| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Deep Learnıng Wıth Tensorflow | SWE 514 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| 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 ile ilgili temel bilgileri anlamak, derin öğrenme ile ilgili açık kaynak kütüphaneleri kullanmak, derin öğrenme uygulamaları geliştirmek. |
| Dersin İçeriği | Mathematical background, tensor operations, Graident descent, backpropagation, Keras deeplearning library , Machine learning models, Convolutional neural networks (convnets), transfer learning ,metin verileriyle derin öğrenme, recurrent neural networks, transformers, 1D convnets , Keras functional API, Generative deep learning, current topics |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | To understand deep learning basics | Anlatım, Gezi / Gözlem, | |
| 2 | To understand neural network types | Gezi / Gözlem, Anlatım, | |
| 3 | To design, train and test deep learning models | Gözlem, Gezi / Gözlem, Anlatım, | |
| 4 | To understand Keras/Tensorflow Api | Gezi / Gözlem, Anlatım, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Derin öğrenmeye giriş, Matematiksel temeller, tensor işlemleri | |
| 2 | Graident descent, backpropagation, kayıp fonksiyonları | |
| 3 | Keras deep learning kütüphanesi, Python ile kullanım örnekleri | |
| 4 | Veri önişleme, aşırı uydurma | |
| 5 | Convolutional (evrişimli) Sinir Ağları (convnets) | |
| 6 | Ön eğitimli convnet ile özellik çıkarma, Transfer Learning | |
| 7 | Ön eğitimli convnet ile özellik çıkarma, Transfer Learning | |
| 8 | Metin verisi ile derin öğrenme, Embedding katmanları | |
| 9 | Ara sınav | |
| 10 | Recurrent neural networks, LSTM ve GRU | |
| 11 | Transformerlar ve1D convnets ile dizi işleme | |
| 12 | Keras functional API, Keras çağrılarının kullanımı | |
| 13 | Güncel konular, proje sunumları | |
| 14 | Güncel konular, proje sunumları |
| Kaynaklar | |
|---|---|
| Ders Notu | Haftalık sunumlar ve örnek programlar |
| Ders Kaynakları | Chollet, Francois. Deep learning with python. Manning Publications Co., 2017. Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016. Keras developer guides: https://keras.io/guides/ |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır. | X | |||||
| 2 | Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular. | X | |||||
| 3 | Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır. | X | |||||
| 4 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | |||||
| 5 | Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır. | X | |||||
| 6 | Her ölçekte yazılım sistemi için proje planlaması; zaman, kaynak, bütçe ve risk yönetimi yapar, alternatif çözüm yolları belirler. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 |
|---|---|---|---|---|---|---|---|
| 1 | To understand deep learning basics | ||||||
| 2 | To understand neural network types | ||||||
| 3 | To design, train and test deep learning models | ||||||
| 4 | To understand Keras/Tensorflow Api |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 40 |
| 1. Performans Görevi (Uygulama) | 15 |
| 2. Performans Görevi (Uygulama) | 15 |
| 1. Proje / Tasarım | 30 |
| 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 | 3 | 48 |
| Ara Sınav | 1 | 20 | 20 |
| Proje / Tasarım | 1 | 10 | 10 |
| Final | 1 | 25 | 25 |
| Toplam İş Yükü | 151 | ||
| Toplam İş Yükü / 25 (Saat) | 6,04 | ||
| Dersin AKTS Kredisi | 6 | ||