Anasayfa » Akademik Birimler » Elektrik - Elektronik Fakültesi » Bilgisayar Mühendisliği Bölümü » Dersler » Derin Öğrenme ve Yapay Sinir Ağları
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Derin Öğrenme ve Yapay Sinir AğlarıBLM513537.5300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüSeçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Doktora Programı
Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Yüksek Lisans Programı
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimBilgisayar Mühendisliği Bölümü
Dersin KoordinatörüHamza Osman İlhan
Dersi Veren(ler)Hamza Osman İlhan, Ali Can Karaca
Asistan(lar)ı
Dersin AmacıFarklı 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 İçeriğiDerin 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.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Simon J.D. Prince, “Understanding Deep Learning”, MIT Press, https://udlbook.github.io/udlbook/, 2024.
  • Yoshua Bengio, Ian J. Goodfellow and Aaron Courville, “ Deep Learning”, Book in preparation for MIT Press, http://www.iro.umontreal.ca/~bengioy/dlbook, 2015.
  • Mathias Niessner, "Introduction to Deep Learning", Lecture Notes, https://niessner.github.io/I2DL/
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Öğrenciler etkinliği açısından yaygın derin öğrenme yöntemlerini değerlendirebilir.
  2. Öğrenciler kullanılması düşünelen derin öğrenme yönteminin avantaj ve dezavantajlarını değerlendirebilir.
  3. Öğrenciler temel derin öğrenme çözümleri tasarlayıp sınayabilir.
  4. Öğrenciler öngörülen çözüm için uygun derin öğrenme mimarisi ve algoritmasını belirleyip uygular.
  5. Öğrenciler derin modellerin düzenlenmesi ve optimizasyon yöntemleri hakında bilgi sahibidir.

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-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

HaftaKonularÖn Hazırlık
1Giriş (Tarihçe ve Teorik Temeller)Ders Kitabı, 1. Bölüm
2Denetimli öğrenme ve Sığ Sinir AğlarıDers Kitabı 2. Bölüm ve 3. Bölüm
3Derin Sinir AğlarıDers Kitabı 4. Bölüm
4Kayıp FonksiyonlarıDers Kitabı 5. Bölüm
5Derin Modellerin Eğitimi için Optimizasyon TeknikleriDers Kitabı 6. Bölüm
6Geriye Yayılım AlgoritmasıDers Kitabı 7. Bölüm
7İlklendirme ve Performans ÖlçümüDers Kitabı 8. Bölüm
8Ara Sınav 1
9Konvolüsyonel AğlarDers Kitabı 10. Bölüm
10Artık Ağlar ve DönüştürücülerDers Kitabı 11. Bölüm ve 12. Bölüm
11Graf Sinir Ağları ve Üretken AğlarDers Kitabı 13. Bölüm ve 15. Bölüm
12İleri Segmentasyon TeknikleriDers Kitabı 14. Bölüm
13Proje Sunumları
14Proje Sunumları
15Proje Sunumları
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev45
Sunum/Jüri110
Projeler130
Seminer/Workshop
Ara Sınavlar115
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati143
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması143
Derse Özgü Staj
Ödev210
Küçük Sınavlar/Stüdyo Kritiği
Projeler130
Sunum / Seminer125
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)135
Final (Sınav Süresi + Sınav Hazırlık Süresi)135
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok