.png){kind=spacer}
GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| EBLG354 | Yapay Sinir Ağları | Seçmeli Ders Grubu | 3 | 6 | 6.00 | 3.00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Yapay Sinir Ağları alanındaki temel problemleri ve çözümlerini öğrenmek.
Dersi Veren Öğretim GörevlisiGörevlileri
Dr. Öğr. Üyesi Gülsüm ŞANAL
Öğrenme Çıktıları
| 1 | Temel Yapay Sinir ağı algoritmalarının ve uygulama alanlarının öğrenilmesi, bir problemin bu metotlara uygunluğunun anlaşılması. |
| 2 | Yapay sinir ağını bilir |
| 3 | Temel yapay sinir ağ modellerini tanır. |
| 4 | Yapay sinir ağlarını gerçek sınıflandırmayı bilir. |
| 5 | Örüntü tanıma, işaret işleme ve kontrol problemlerine uygularken pratik problemleri bilir. |
| 6 | Python ve onun Yapay Sinir Ağ Aracını kullanarak temel YSA modellerini ve algoritmalarını bilir. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Temel Yapay Sinir ağı algoritmalarının ve uygulama alanlarının öğrenilmesi, bir problemin bu metotlara uygunluğunun anlaşılması.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|---|
| 1 | Neden Yapay Sinir Ağları, Biyolojik Temeller | |||
| 2 | Uygulama Alanları, Tipik Mimariler, Aktivasyon Fonksiyonları | |||
| 3 | McCulloch-Pitts Hücresi, Örüntü Sınıflama için Basit Sinir Ağları, Hebb Ağı | |||
| 4 | Perceptron, Adaline, Delta kuralı | |||
| 5 | Multilayer Perceptronlar | |||
| 6 | Radyal Tabanlı Ağlar | |||
| 7 | Gradyan Düşüm, Backpropagation, alternatif varyasyonlar | |||
| 8 | Ara Sınav | |||
| 9 | Vektör Kuantalama | |||
| 10 | Örüntü ilişkilendirme- Öğrenme Algoritmaları, Associative Ağlar | |||
| 11 | Örüntü ilişkilendirme- Öğrenme Algoritmaları, Associative Ağlar | |||
| 12 | Hopfield Ağlar | |||
| 13 | Hopfield Ağlar | |||
| 14 | Yapay Sinir Ağları ile uygulama | |||
| 15 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Mitchell T., Machine Learning, McGraw Hill, 1997. Artificial Intelligence: A Modern Approach (3rd Edition), Stuart Russell and Peter Norvig. Prentice Hall, 2009. Bayesian Reasoning and Machine Learning, David Barber, Cambridge University Press, 2012. Introduction to Machine Learning (3rd Edition), Ethem Alpaydin, MIT Press, 2014. Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT Press, 2012. Pattern Recognition and Machine Learning, Christopher Bishop, Springer, 2006.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Rapor Sunma | 1 | 30 |
| Proje Hazırlama | 1 | 20 |
| Proje Sunma | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
-
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 3 | 2 | 6 |
| Final Sınavı | 5 | 10 | 50 |
| Derse Katılım | 5 | 1 | 5 |
| Bireysel Çalışma | 10 | 3 | 30 |
| Ara Sınav İçin Bireysel Çalışma | 5 | 6 | 30 |
| Final Sınavı içiin Bireysel Çalışma | 3 | 10 | 30 |
| Ev Ödevi | 4 | 1 | 4 |
| Toplam İş Yükü (saat) | 155 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | |
| ÖÇ 1 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 2 | 1 | 2 | 2 | 3 | 1 | 1 | 2 | 1 | 1 | 1 | 5 |
| ÖÇ 3 | 1 | 2 | 2 | 3 | 2 | 1 | 2 | 1 | 1 | 3 | 1 |
| ÖÇ 4 | 2 | 2 | 2 | 3 | 2 | 1 | 2 | 1 | 1 | 1 | 4 |
| ÖÇ 5 | 2 | 2 | 2 | 3 | 1 | 1 | 2 | 1 | 1 | 2 | 1 |
| ÖÇ 6 | 1 | 2 | 2 | 3 | 3 | 1 | 2 | 1 | 1 | 1 | 2 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek