Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
---|---|---|---|---|---|---|
Derin Öğrenme ve Yapay Sinir Ağları | BLM5135 | 3 | 7.5 | 3 | 0 | 0 |
Önkoşullar | Yok |
---|
Yarıyıl | Güz, Bahar |
---|
Dersin Dili | İngilizce, Türkçe |
---|---|
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Doktora Programı Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Yüksek Lisans Programı |
Ders Kategorisi | Uzmanlık/Alan Dersleri |
Dersin Veriliş Şekli | Yüz yüze |
Dersi Sunan Akademik Birim | Bilgisayar Mühendisliği Bölümü |
---|---|
Dersin Koordinatörü | Sırma Yavuz |
Dersi Veren(ler) | Sırma Yavuz |
Asistan(lar)ı |
Dersin Amacı | Farklı tip verilerden elde edilen üst düzey özellikleri derin mimarilerden yararlanarak öğrenmek için kullanılabilecek yöntemlerinin sunulması ve bu yöntemlerin görüntü tanımadan robot kontrolüne kadar farklı amaçlar için nasıl uygulanabileceğinin gösterilmesi. |
---|---|
Dersin İçeriği | Derin öğrenmenin tarihçesi ve teorik avantajları, Derin öğrenme için kullanılabilecek temel yapay sinir ağı mimarileri ve öğrenme algoritmaları, Dağıtık Modellerin Düzenlenmesi, Derin Modellerin Eğitimi için Optimizasyon Teknikleri, Konvolüsyonel ağlar, Geri beslemeli ve özyineli ağlar, Otomatik Kodlayıcılar ve Lineer Faktör Modelleri, Temsil Yoluyla Öğrenme, Derin Üretken Modeller – Boltzman Makineleri. |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Öğrenciler etkinliği açısından yaygın derin öğrenme yöntemlerini değerlendirebilir.
- Öğrenciler kullanılması düşünelen derin öğrenme yönteminin avantaj ve dezavantajlarını değerlendirebilir.
- Öğrenciler temel derin öğrenme çözümleri tasarlayıp sınayabilir.
- Öğrenciler öngörülen çözüm için uygun derin öğrenme mimarisi ve algoritmasını belirleyip uygular.
- Öğrenciler derin modellerin düzenlenmesi ve optimizasyon yöntemleri hakında bilgi sahibidir.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
PÇ-1 | - | - | - | - | - |
PÇ-2 | - | - | - | - | - |
PÇ-3 | - | - | - | - | - |
PÇ-4 | - | - | - | - | - |
PÇ-5 | - | - | - | - | - |
PÇ-6 | - | - | - | - | - |
PÇ-7 | - | - | - | - | - |
PÇ-8 | - | - | - | - | - |
PÇ-9 | - | - | - | - | - |
PÇ-10 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
Hafta | Konular | Ön Hazırlık |
---|---|---|
1 | Giriş – Tarihçe ve Teorik Temeller | Hinton, G. E, Osindero, S., and Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18:1527-1554. Bengio, Y., Lamblin, P., Popovici, P., Larochelle, H. (2007). Greedy Layer-Wise Training of Deep Networks, Advances in Neural Information Processing Systems. |
2 | Matematiksel Temeller: Lineer Cebir, Olasılık ve Bilgi Teorisi | Ders Kitabı 1,2.3 ve 4. bölüm |
3 | Yapay Sinir Ağları Temel Bilgiler | Ders Kitabı 5. Bölüm J. Schmidhuber. Deep Learning in Neural Networks: An Overview. Neural Networks, Volume 61, January 2015, Pages 85-117. |
4 | İleri Beslemeli Derin Ağlar | Ders Kitabı 6. bölüm |
5 | Derin veya Dağıtık Modellerin Düzenlenmesi | Ders Kitabı 7. bölüm |
6 | Derin Modellerin Eğitimi için Optimizasyon Teknikleri | Ders Kitabı 8. bölüm |
7 | Konvolüsyonel Ağlar | Ders Kitabı 9. bölüm |
8 | Ara Sınav 1 | |
9 | Ders Kitabı 15. bölüm | |
10 | Otomatik Kodlayıcılar ve Lineer Faktör Modelleri | Ders Kitabı 15. bölüm |
11 | Temsil Yoluyla Öğrenme | Ders Kitabı 16. bölüm |
12 | Derin Üretken Modeller – Boltzman Makineleri | Ders Kitabı 20. bölüm |
13 | Proje Sunumları | |
14 | Proje Sunumları | |
15 | Final |
Değerlendirme Sistemi
Etkinlikler | Sayı | Katkı Payı |
---|---|---|
Devam/Katılım | ||
Laboratuar | ||
Uygulama | ||
Arazi Çalışması | ||
Derse Özgü Staj | ||
Küçük Sınavlar/Stüdyo Kritiği | ||
Ödev | 4 | 5 |
Sunum/Jüri | 1 | 10 |
Projeler | 1 | 30 |
Seminer/Workshop | ||
Ara Sınavlar | 1 | 15 |
Final | 1 | 40 |
Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
Final Sınavının Başarı Notuna Katkısı | ||
TOPLAM | 100 |
AKTS İşyükü Tablosu
Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
---|---|---|---|
Ders Saati | 13 | 3 | |
Laboratuar | |||
Uygulama | |||
Arazi Çalışması | |||
Sınıf Dışı Ders Çalışması | 13 | 2 | |
Derse Özgü Staj | |||
Ödev | 4 | 9 | |
Küçük Sınavlar/Stüdyo Kritiği | |||
Projeler | 1 | 40 | |
Sunum / Seminer | 1 | 18 | |
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
Toplam İşyükü : | |||
Toplam İşyükü / 30(s) : | |||
AKTS Kredisi : |
Diğer Notlar | Yok |
---|