Ders Adı Derin Öğrenme
Ders Kodu fac6c65d653a4d5891
Dersin Türü Zorunlu
Ders Biriminin Seviyesi Lisansüstü
Yıl Hazırlık
Dönem 2.Yarıyıl
AKTS 6
Dersi Veren(ler) 2-Ecir Uğur Küçüksille
Dersin Yardımcıları
Dersin Öğrenme Çıktıları Derin öğrenme kavramı hakkında bilgi sahibi olurlar Derin Öğrenme algoritmalarını kullanabilirler Python derin öğrenme kütüphanelerini kullanabilirler Derin Öğrenme algoritmalarını kullanarak proje geliştirebilirler
Ders İşleme Biçimi Yüz Yüze
-
Dersin İçeriği Derin Öğrenme Kavramı, Python ve derin öğrenme kütüphanelerinin kurulumu, Nöron, Aktivasyon Fonksiyonu, Yapay Sinir Ağlarının Çalışması, Gradient Descent, Stochastic Gradient Descent, Backpropagation, ANN Uygulaması, ANN sonuçlarının değerlenedirilmesi, iyileştirilmesi ve ayarlanması, Convolutional Neural Networks, Convolution Operation, ReLU Layer, Pooling, Flattening, Full Connection, CNN Uygulaması, CNN sonuçlarının değerlenedirilmesi, iyileştirilmesi ve ayarlanması, Recurrent Neural Networks, LSTMs, RNN Uygulaması, RNN sonuçlarının değerlenedirilmesi, iyileştirilmesi ve ayarlanması, Self Organizing Maps, SOM Uygulaması, Boltzman Makinesi, Boltzman Makinesi Uygulaması, AutoEncoder, AutoEncoder Uygulaması
Dersin Verildiği Diller Türkçe
Dersin Hedefleri Derin Öğrenme kavramı hakkında bilgi sahibi olmayı sağlamak Derin Öğrenme algoritmalarını öğretmek Python derin öğrenme kütüphanelerini kullanmayı öğretmek Derin Öğrenme projeleri yapabilme yeteneği kazandırmak
Dersin Amacı Derin Öğrenme kavramı ve derin öğrenme algoritmalarını öğretmek. Bu algoritmaları kullanarak projeler geliştirmek.
WorkPlacement Yok
Hafta Konular  
1 Derin Öğrenme Kavramı, Python ve derin öğrenme kütüphanelerinin kurulumu
2 Nöron, Aktivasyon Fonksiyonu, Yapay Sinir Ağlarının Çalışması
3 Gradient Descent, Stochastic Gradient Descent, Backpropagation, ANN Uygulaması
4 Evaluating, Improving and Tuning the ANN
5 Convolutional Neural Networks
6 Convolution Operation, ReLU Layer, Pooling, Flattening, Full Connection
7 CNN Uygulaması, CNN sonuçlarının değerlendirilmesi, iyileştirilmesi ve ayarlanması
8 Recurrent Neural Networks, LSTMs
9 RNN sonuçlarının değerlenedirilmesi, iyileştirilmesi ve ayarlanması
10 Self Organizing Maps, SOM Uygulaması
11 Boltzman Machine
12 Boltzman Makinesi Uygulaması
13 AutoEncoder
14 AutoEncoder Uygulaması
No Bölüm Öğrenme Çıktısı Katkı Düzeyi
1 Matematik ve fen bilgilerini mühendislikte uygulama becerisi kazanır. 5
2 Deney tasarlama, deney yapma, deney sonuçlarını analiz etme ve yorumlama becerisi kazanır. 5
3 İstenen gereksinimleri karşılayacak biçimde bir sistemin(donanım veya yazılım) süreçlerini tasarlayabilir. 2
4 Çok disiplinli konularda çalışabilir. 5
5 Mühendislik problemlerini tanımlama, modelleme ve çözme becerisi kazanır 5
6 Mesleki ve etik sorumluluk bilinci kazanır. 2
7 Mühendislik çözümlerinin evrensel ve ulusal boyutlarda etkilerini anlama becerisi kazanır. 5
8 Yaşam boyu öğrenmenin gerekliliği, bilinci ve bunu gerçekleştirebilme becerisi kazanır 4
9 Mühendislik uygulamaları için gerekli olan teknikleri ve modern araçları kullanma becerisi kazanır 4
10 Zaman yönetimi yapabilme ve meslek gelişimi planlayabilme becerisi kazanır. 3
11 Bilgisayar mühendisliği ile ilgili projeleri ayrıntıları ile planlayabilme becerileri kazanır. 2
12 Yenilikçi ve sorgulayıcı düşünüp sıra dışı yollar keşfedebilme becerisi kazanır 5
Yarıyıl İçi Çalışmaları Sayısı Katkı Payı
Ara Sınav 1 80
Kısa Sınav 0 0
Ödev 1 20
Devam 0 0
Uygulama 0 0
Labaratuvar 0 0
Proje 0 0
Atölye 0 0
Seminer 0 0
Arazi Çalışması 0 0
TOPLAM 100
Yıliçinin Başarıya Oranı 40
Finalin Başarıya Oranı 60
TOPLAM 100
AKTS kredilerinin belirlenmesinde öğrenci işyükü anketlerinden faydalanılmaktadır.
Etkinlik Sayısı Süresi Toplam
Ders Süresi (Sınav Haftaları Hariç) 14 3 42
Sınıf Dışı Ders Çalışma Süresi 14 3 42
Ödevler 2 10 20
Sunum 0 0 0
Proje 1 10 10
Laboratuar Çalışması 0 0 0
Arazi ya da Alan Çalışması 0 0 0
Ara Sınavlar 1 8 8
Yarıyıl Sonu Sınavı 1 10 10
İşyükü Saati (30) 30
Toplam İşyükü / Saat 0    
Dersin Akts Kredisi 0    
Ders Notu Yok
Diğer Kaynaklar Deep Learning (Adaptive Computation and Machine Learning series), 2016, The MIT Press
Materyal
Dökümanlar Yok
Ödevler Yok
Sınavlar Yok
Materyal Diğer Yok
Planlanmış Öğrenme Faaliyetleri ve Öğretim Yöntemleri
Konferanslar, Uygulamalı Dersler, Sunumlar, Seminerler, Projeler, Laboratuar Uygulamaları(gerekirse)