• ANASAYFA
• ÜNİVERSİTE HAKKINDA
  • İsim - Adres
  • Genel Bilgi
  • Üniversite Yönetimi
  • Akademik Takvim
  • Derece Programları
  • Yabancı Dilde Eğitim Veren Birimler
  • Genel Kabul ve Kayıt Koşulları
  • Kredi Hareketliliği ve Önceki Öğrenmenin Tanınması
  • AKTS Kredilerinin Belirlenmesi
  • Akademik Danışmanlık
  • İletişim
• DERECE PROGRAMLARI
  • Doktora Programları
  • Yüksek Lisans Programları
  • Lisans Programları
  • Önlisans Programları
• ÖĞRENCİ İÇİN GENEL BİLGİLER
  • Yaşam Standardı
  • Barınma
  • Beslenme
  • Sağlık
  • Engelli İçin Olanaklar
  • Sigorta
  • Finansal Destekler
  • Öğrenci İşleri Daire Başkanlığı
  • Uluslararası Öğrenciler için Pratik Bilgiler
  • Dil Kursları
  • Staj Olanakları
  • Sportif, Sosyal ve Kültürel Faaliyetler
  • Öğrenci Toplulukları ve Kulüpler
  • İzmir-Türkiye Hakkında
• ULUSLARARASI İLİŞKİLER
  • Dış İlişkiler Koordinatörlüğü
  • Kayıt İşlemleri
  • Anlaşmalar
  • Koordinatörler
  • Belgeler
  • Yabancı Dilde Eğitim Veren Birimler
  • AKTS/DE Etiketi

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS FİZ 2110 Fizikte yapay zeka uygulamaları SEÇMELİ 2 2 0 6

Dersi Veren Birim

Fizik

Dersin Düzeyi

Lisans

Ders Koordinatörü

DOÇ. DR. ÜMİT AKINCI

Dersi Alan Birimler

Fizik

Dersin Amacı

Bu dersin amacı, öğrencilere yapay sinir ağları ve temel mimarileri ile fizikteki uygulamaları konusundaki kuramsal ilkelere ve temel uygulamalara genel bakış sağlamaktır.

Dersin Öğrenme Kazanımları

1   Yapay sinir ağlarının temel ilkelerini anlayabilme 2   Yapay sinir ağlarının temel öğrenme ilkelerini tanıyabilme 3   Yapay sinir ağlarının temel mimarilerini anlayabilme 4   Yapay sinir ağlarının temel mimarilerini oluşturabilme 5   Diferansiyel denklem çözümü ve optimizasyon gibi yapay sinir ağlarının fizik uygulamalarını gerçekleştirebilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama 1 Giriş : yapay sinir ağlarının (YSA) temelleri ve tarihsel gelişimi 2 YSA mimarileri ve öğrenme süreci 3 Perceptron Ağı 4 ADALINE ağı 5 Çok katmanlı perceptron ağı I 6 Çok katmanlı perceptron ağı II 7 Tekrarlamalı Hopfield ağları 8 Tekrarlamalı Hopfield ağları uygulaması 9 YSA ile diferansiyel denklem çözümleri 10 YSA ile Lagrange ve Hamilton denklemlerinin çözümleri 11 YSA ile Schrodinger denklemi çözümleri 12 YSA optimizasyon problemlerine uygulanması I 13 YSA optimizasyon problemlerine uygulanması II 14 Ödevlerin sunumu

Ders İçin Önerilen Kaynaklar

Ivan Nunes da Silva, Danilo Hernane Spatti, Rogerio Andrade Flauzino, Luisa Helena, Bartocci Liboni, Silas Franco dos Reis Alves, Artificial Neural Networks A Practical Course, Springer, 2017 Yardımcı kaynaklar Pıerre Peretto, An Introductıon To The Modelıng Of Neural Networks, Cambridge university Press, 1994

Öğrenme ve Öğretme Yöntemleri

Düz Anlatım, Soru-yanıt, Tartışma, Problem çözme

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL 1 VZ Vize 2 OD Ödev 3 FN Final 4 BNS BNS VZ * 0.25 + OD * 0.25 + FN * 0.50 5 BUT BÜTÜNLEME 6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU VZ * 0.25 + OD * 0.25 + BUT * 0.50

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Değerlendirme final sınavı yanında arasınav ve ödevler ile yapılacaktır.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Derslerin %70 ine katılım zorunludur.

Dersin Öğretim Üyesi İletişim Bilgileri

umit.akinci@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

İlan edilecektir

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat) Ders Anlatımı 14 2 28 Uygulama 14 2 28 Haftalık Ders öncesi/sonrası hazırlıklar 12 3 36 Vize Sınavına Hazırlık 1 15 15 Final Sınavına Hazırlık 1 15 15 Ödev Hazırlama 2 15 30 Vize Sınavı 1 2 2 Final Sınavı 1 2 2 TOPLAM İŞ YÜKÜ (saat) 156

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK PK.1 PK.2 PK.3 PK.4 PK.5 PK.6 PK.7 PK.8 PK.9 PK.10 PK.11 PK.12 PK.13 PK.14 ÖK.1 4 1 3 3 3 4 4 ÖK.2 4 2 2 3 4 3 4 4 ÖK.3 5 4 3 3 2 3 4 5 ÖK.4 3 1 3 2 3 4 3 ÖK.5 3 1 3 3 3 4 3