DERS ADI

: Yapay Sinir Ağları

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
CSE 5013 Yapay Sinir Ağları SEÇMELİ 3 0 0 9

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. DERYA BİRANT

Dersi Alan Birimler

Bilgisayar Mühendisliği Tezsiz Yüksek Lisans
Bilgisayar Mühendisliği Yüksek Lisans
Bilgisayar Mühendisliği Bütünleşik Doktora
Bilgisayar Mühendisliği Tezsiz Yüksek Lisans (İ.Ö)
Bilgisayar Mühendisliği Doktora

Dersin Amacı

Bu dersin amacı, çeşitli yapay sinir ağlarının (Çok Katlı Perseptronlar, Radyal Temelli Fonksiyon Ağları, Özdüzenleyici Haritalar, vb.) öğrenilmesi ve bunların mühendislik problemlerinin çözümünde kullanılmasıdır.

Dersin Öğrenme Kazanımları

1   Gerçek beyinler ve yapay sinir ağları modelleri arasındaki bağlantıyı açıklayabilme
2   Çeşitli yapay sinir ağları hakkında detaylı bilgi sahibi olabilme
3   Yapay sinir ağlarının performansını analiz edebilme
4   Çeşitli ağ yapıları arasındaki farklılıkları anlayabilme
5   Yapay sinir ağlarını pratikte uygulayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Sinir Ağlarına Giriş ve Tarihçe. Biyolojik Sinir Ağları. Yapay Sinir Ağları.
2 Yapay Sinir Ağları. Tek Kademeli Perseptronlar. Tek Kademeli Perseptronlarda Öğrenme ve Genelleme.
3 Hebb Öğrenme. Gradient Descent Öğrenme
4 Genelleştirilmiş Delta Kuralı. Pratik Uygulamalar
5 Çok Katmanlı Perseptronlarda Öğrenme, Geri Yayılım Öğrenme
6 Momentum Öğrenme. Conjugate Gradient Öğrenme
7 Varyans ve Yanlılık, Alt ve Üste Yaklaşım
8 Derin Öğrenme
9 Çok-Katmanlı Perseptron Uygulamaları
10 Radyal Tabanlı Fonsiyon Ağlarına Giriş
11 Radyal Tabanlı Fonsiyon Ağ Algoritmaları, Uygulamaları Komite Makinaları
12 Özdüzenleyici Haritaların Prensipleri, Algoritmaları ve Uygulamaları
13 Vektör Kuantalamalı Öğrenme
14 Öğrenci Sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynaklar:
D. Graupe, Principles of Artificial Neural Networks, WSPC, 2013
C.C. Aggarwal, Neural Networks and Deep Learning: A Textbook, Springer, 2018

Yardımcı kaynaklar:
S. Haykin, Neural Networks And Learning Machines, Pearson India, 2018
M.T. Hagan, H.B. Demuth, M.H. Beale, O. De Jesús, Neural Network Design, Martin Hagan, 2014

Öğrenme ve Öğretme Yöntemleri

Dersler
Literatür Taraması / Araştırma
Sunum
Dönem Projesi
Rapor

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ODV ÖDEV
2 SUN SUNUM
3 YSBN YIL SONU BAŞARI NOTU ODV * 0.50 + SUN * 0.50


*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Değerlendirme, öğrencinin bir konu üzerine yapacağı literatür araştırması, hazırlayacağı proje, sunum ve raporu ile gerçekleşecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

Kod yazma bilgi ve becerisi gereklidir.
Katılım zorunludur.

Dersin Öğretim Üyesi İletişim Bilgileri

Doç.Dr. Derya Birant
Dokuz Eylül Üniversitesi
Bilgisayar Mühendisliği Bölümü
Tınaztepe Yerleşkesi 35390 Buca / İZMİR
Tel: (232) 301 74 01
E-Posta: derya@cs.deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Salı 9:30 - 10:30

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Anlatımı 14 3 42
Haftalık Ders öncesi/sonrası hazırlıklar 14 2 28
Web'de Tarama ve Kütüphane Çalışması 1 5 5
Kitap Okuma 10 3 30
Proje Hazırlama 1 65 65
Sunum Hazırlama 1 30 30
Rapor hazırlama 1 25 25
TOPLAM İŞ YÜKÜ (saat) 225

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10PK.11
ÖK.14
ÖK.2444
ÖK.35434
ÖK.4444
ÖK.5554