Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Derin Öğrenmeye Giriş ISE 469 7 3 + 0 3 5
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili Türkçe
Dersin Seviyesi Lisans
Dersin Türü Seçmeli
Dersin Koordinatörü Dr.Öğr.Üyesi BURCU ÇARKLI YAVUZ
Dersi Verenler Dr.Öğr.Üyesi BURCU ÇARKLI YAVUZ, Dr.Öğr.Üyesi SUNUSİ BALA ABDULLAHİ,
Dersin Yardımcıları
Dersin Kategorisi Diğer
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, Tartışma, Gezi / Gözlem, Gözlem,
2 1D ve 2D convnet-konvolüsyon katmanlarını bilir Anlatım, Soru-Cevap, Tartışma, Gezi / Gözlem, Gözlem,
3 Derin öğrenme ile ilgili açık kaynak kütüphaneleri kullanır Anlatım, Soru-Cevap, Tartışma, Gezi / Gözlem, Gözlem,
4 Metin işleme, Embedding Layer, Simple RNN, LTSM ve GRU katmanlarını bilir Anlatım, Soru-Cevap, Tartışma, Gezi / Gözlem, Gözlem,
Hafta Ders Konuları Ön Hazırlık
1 Derin Öğrenmeye Giriş: Makine Öğrenmesi, Derin Öğrenme ve Yapay Zekâya genel bakış. Sunumlar
2 Matematiksel Temellerin Gözden Geçirilmesi: Doğrusal cebir, olasılık, bilgi kuramı. Sunumlar
3 Gradyan tabanlı optimizasyon: Gradyan iniş algoritmalarının genel görünümü, kayıp fonksiyonları ve geri yayılım (backpropagation). Sunumlar
4 Makine Öğrenmesine Genel Bakış: İleri beslemeli sinir ağları, ağaç tabanlı yöntemler vb. ve makine öğrenimi kütüphaneleri. Sunumlar
5 Derin Öğrenmenin Temel Kavramları: Derin ileri beslemeli ağlar, düzenleme (regularizasyon), Keras derin öğrenme kütüphanesi (Keras API). Sunumlar
6 Derin öğrenme eğitimi: veri ön işleme, aşırı uyumun (overfitting) önlenmesi, ağırlık düzenlemesi, dropout, pooling mekanizmaları ve derin modellerin eğitimi için optimizasyon. Sunumlar
7 Konvolüsyonel Sinir Ağları (CNN): 2 boyutlu konvolüsyon, pooling ve görüntü sınıflandırma. Sunumlar
8 Dizi Öğrenimi: 1-Boyutlu CNN, RNN, LSTM, GRU ve doğal dil üretimi. Sunumlar
9 Gömülü Temsiller (Embeddings): Embedding katmanları ile metin sınıflandırma. Sunumlar
10 Öğrenme aktarımı ve İnce Ayar (Fine‑tuning). Sunumlar
11 Otoenkoderler (Autoencoders). Sunumlar
12 İleri Mimariler: Dikkat (Attention), attention‑tabanlı CNN’ler, Transformer’lar, büyük dil modelleri (LLM’ler) vb. Sunumlar
13 Araştırma Sunumları. Sunumlar
14 Araştırma Sunumları. 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 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.
# 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
2 1D ve 2D convnet-konvolüsyon katmanlarını bilir
3 Derin öğrenme ile ilgili açık kaynak kütüphaneleri kullanır
4 Metin işleme, Embedding Layer, Simple RNN, LTSM ve GRU katmanlarını bilir
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
1. Ara Sınav 60
1. Ödev 40
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
Kısa Sınav 1 6 6
Performans Görevi (Uygulama) 2 7 14
Final 1 15 15
Toplam İş Yükü 125
Toplam İş Yükü / 25 (Saat) 5
dersAKTSKredisi 5