| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Derin Öğrenme ve Uygulamaları | SWE 405 | 7 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Prof.Dr. DEVRİM AKGÜN |
| Dersi Verenler | Prof.Dr. DEVRİM AKGÜN, |
| 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, 1D convnets , Keras functional API, Generative deep learning, current topics |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Explain the core concepts of deep learning, including neural network architectures, optimization methods, and activation functions. | Gezi / Gözlem, Gözlem, Anlatım, Soru-Cevap, | |
| 2 | Implement and train deep learning models using modern frameworks (e.g., TensorFlow/Keras), applying best practices in data preprocessing, evaluation, and regularization. | Gözlem, Gezi / Gözlem, | |
| 3 | Design and apply specialized architectures such as CNNs for images, RNNs/Transformers for sequences, and transfer learning for real-world tasks. | Anlatım, Gezi / Gözlem, | |
| 4 | Demonstrate the principles and applications of generative models and large language models (LLMs), including their societal and ethical implications. | Anlatım, Gözlem, | |
| 5 | Integrate deep learning methods into small projects, showcasing the ability to move from theory to practical problem-solving. | Proje, | Ödev / Evde-Çöz Sınavlar, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Introduction, Artificial Intelligence, Machine Learning and Deep Learning | |
| 2 | Mathematical background: tensors, activation functions | |
| 3 | Optimization: gradient descent & variants, loss functions | |
| 4 | Feedforward neural networks, Sequential + Functional API | |
| 5 | Convolutional Neural Networks (CNNs) | |
| 6 | Transfer learning & fine-tuning | |
| 7 | Text processing, embeddings | |
| 8 | Sequence models: RNNs, LSTMs, GRUs | |
| 9 | Attention mechanisms & Transformers | |
| 10 | Large language models | |
| 11 | Generative deep learning (autoencoders, GANs, diffusion intro) | |
| 12 | Generative deep learning (autoencoders, GANs, diffusion intro) | |
| 13 | Contemporary deep learning topics | |
| 14 | Presentations |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | Chollet, Francois. Deep learning with Python. Simon and Schuster, 2021. Ders Kaynakları Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016. |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik Bilgisi: Matematik, fen bilimleri, temel mühendislik, bilgisayarla hesaplama ve ilgili mühendislik disiplinine özgü konularda bilgi; bu bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi. | X | |||||
| 2 | Problem Analizi: Karmaşık mühendislik problemlerini, temel bilim, matematik ve mühendislik bilgilerini kullanarak ve ele alınan problemle ilgili BM Sürdürülebilir Kalkınma Amaçlarını gözeterek tanımlama, formüle etme ve analiz becerisi. | X | |||||
| 3 | Mühendislik Tasarımı: Karmaşık mühendislik problemlerine yaratıcı çözümler tasarlama becerisi; karmaşık sistemleri, süreçleri, cihazları veya ürünleri gerçekçi kısıtları ve koşulları gözeterek, mevcut ve gelecekteki gereksinimleri karşılayacak biçimde tasarlama becerisi. | X | |||||
| 4 | Teknik ve Araçların Kullanımı: Karmaşık mühendislik problemlerinin analizi ve çözümüne yönelik, tahmin ve modelleme de dahil olmak üzere, uygun teknikleri, kaynakları ve modern mühendislik ve bilişim araçlarını, sınırlamalarının da farkında olarak seçme ve kullanma becerisi. | X | |||||
| 5 | Araştırma ve İnceleme: Karmaşık mühendislik problemlerinin incelenmesi için literatür araştırması, deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama dahil, araştırma yöntemlerini kullanma becerisi. | X | |||||
| 6 | Mühendislik Uygulamalarının Küresel Etkisi: Mühendislik uygulamalarının BM Sürdürülebilir Kalkınma Amaçları* kapsamında, topluma, sağlık ve güvenliğe, ekonomiye, sürdürülebilirlik ve çevreye etkileri hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | X | |||||
| 7 | Mühendislik Etiği: Mühendislik meslek ilkelerine* uygun davranma, etik sorumluluk hakkında bilgi; hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık. | ||||||
| 8 | Bireysel ve Takım Çalışması: Bireysel olarak ve disiplin içi ve çok disiplinli takımlarda (yüz yüze, uzaktan veya karma) takım üyesi veya lideri olarak etkin biçimde çalışabilme becerisi. | ||||||
| 9 | Sözlü ve Yazılı İletişim: Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü, yazılı etkin iletişim kurma becerisi. | ||||||
| 10 | Proje Yönetimi: Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi; girişimcilik ve yenilikçilik hakkında farkındalık. | ||||||
| 11 | Yaşam Boyu Öğrenme: Bağımsız ve sürekli öğrenebilme, yeni ve gelişmekte olan teknolojilere uyum sağlayabilme ve teknolojik değişimlerle ilgili sorgulayıcı düşünebilmeyi kapsayan yaşam boyu öğrenme becerisi. | ||||||
| # | 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Explain the core concepts of deep learning, including neural network architectures, optimization methods, and activation functions. | 5 | ||||||||||
| 2 | Implement and train deep learning models using modern frameworks (e.g., TensorFlow/Keras), applying best practices in data preprocessing, evaluation, and regularization. | 4 | 4 | |||||||||
| 3 | Design and apply specialized architectures such as CNNs for images, RNNs/Transformers for sequences, and transfer learning for real-world tasks. | 4 | ||||||||||
| 4 | Demonstrate the principles and applications of generative models and large language models (LLMs), including their societal and ethical implications. | 4 | 3 | |||||||||
| 5 | Integrate deep learning methods into small projects, showcasing the ability to move from theory to practical problem-solving. | 4 | 4 | 3 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| Toplam | 0 |
| Toplam | 0 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ödev | 2 | 3 | 6 |
| Ara Sınav | 1 | 8 | 8 |
| Proje / Tasarım | 1 | 8 | 8 |
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Final | 1 | 8 | 8 |
| Performans Görevi (Uygulama) | 1 | 3 | 3 |
| Toplam İş Yükü | 129 | ||
| Toplam İş Yükü / 25 (Saat) | 5,16 | ||
| dersAKTSKredisi | 5 | ||