.png){kind=spacer}
GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| BLG508 | Derin Öğrenme Ve Yapay Sinir Ağları | Seçmeli Ders Grubu | 1 | 1 | 6.00 | 3.00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu ders, derin öğrenmenin tarihçesi ve teorik avantajlarını ele alarak başlamaktadır. Temel yapay sinir ağı mimarileri ve öğrenme algoritmalarının derin öğrenme için nasıl kullanılabileceği incelenmektedir. Ayrıca, dağıtık modellerin düzenlenmesi ve derin modellerin eğitimi için optimizasyon teknikleri üzerinde durulmaktadır. Konvolüsyonel ağlar, geri beslemeli ve özyineli ağlar, otomatik kodlayıcılar ve lineer faktör modelleri gibi derin öğrenme yöntemleri ayrıntılı bir şekilde ele alınmaktadır. Ayrıca, temsil yoluyla öğrenme ve derin üretken modeller - Boltzmann makineleri gibi konulara da değinilmektedir.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğrenme Çıktıları
| 1 | Yapay sinir ağlarının temel prensiplerini anlamak |
| 2 | Derin öğrenme algoritmalarını kavramak |
| 3 | Uygulama becerilerini geliştirmek |
| 4 | Derin öğrenme modeli değerlendirme yeteneklerini kazanmak: |
| 5 | Derin öğrenme uygulamalarını kritik bir gözle değerlendirmek |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
yok
Ders İçin Önerilen Diğer Hususlar
yok
Dersin İçeriği
Bu ders, derin öğrenmenin tarihçesi ve teorik avantajlarını ele alarak başlamaktadır. Temel yapay sinir ağı mimarileri ve öğrenme algoritmalarının derin öğrenme için nasıl kullanılabileceği incelenmektedir. Ayrıca, dağıtık modellerin düzenlenmesi ve derin modellerin eğitimi için optimizasyon teknikleri üzerinde durulmaktadır. Konvolüsyonel ağlar, geri beslemeli ve özyineli ağlar, otomatik kodlayıcılar ve lineer faktör modelleri gibi derin öğrenme yöntemleri ayrıntılı bir şekilde ele alınmaktadır. Ayrıca, temsil yoluyla öğrenme ve derin üretken modeller - Boltzmann makineleri gibi konulara da değinilmektedir.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|
| 1 | Giriş – Tarihçe ve Teorik Temeller | ||
| 2 | Matematiksel Temeller: Lineer Cebir, Olasılık ve Bilgi Teorisi | ||
| 3 | Yapay Sinir Ağları Temel Bilgiler | ||
| 4 | İleri Beslemeli Derin Ağlar | ||
| 5 | Derin veya Dağıtık Modellerin Düzenlenmesi | ||
| 6 | Derin Modellerin Eğitimi için Optimizasyon Teknikleri | ||
| 7 | Konvolüsyonel Ağlar | ||
| 8 | Vize | ||
| 9 | Otomatik Kodlayıcılar ve Lineer Faktör Modelleri | ||
| 10 | Otomatik Kodlayıcılar ve Lineer Faktör Modelleri | ||
| 11 | Temsil Yoluyla Öğrenme | ||
| 12 | Derin Üretken Modeller – Boltzman Makineleri | ||
| 13 | Proje Sunumları | ||
| 14 | Proje Sunumları |
Ders Kitabı Malzemesi Önerilen Kaynaklar
yok
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 72 | 72 |
| Final Sınavı | 1 | 76 | 76 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 1 | 1 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 1 | 1 |
| Toplam İş Yükü (saat) | 150 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
| ÖÇ 3 |
| ÖÇ 4 |
| ÖÇ 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek