Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
MEC 5009	Mekatronik Sistemlerde Sinir Ağı Uygulamaları	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. YAVUZ ŞENOL

Dersi Alan Birimler

Mekatronik Mühendisliği Bütünleşik Doktora
Mekatronik Mühendisliği Yüksek Lisans
Mekatronik Mühendisliği Doktora

Dersin Amacı

Bu ders mekatronik sistemler için yapay sinir ağları hakkında bir giriş bilgisi vermeyi amaçlamaktadır. Temel bilgiler, değişik ağ yapıları ve öğrenme algoritmaları ve basit robotik uygulamalar ile calısmalar yapılacaktır.

Dersin Öğrenme Kazanımları

1	Yapay Sinir ağlarının temelleri ve insan beyni ile karsılastırılması
2	Nöronların öğrenme mekanizmalarının anlaşılması
3	Değişik yapay sinir ağları tiplerinin öğrenilmesi
4	Yapay sinir ağlarının patrik mekatronik sistemlerde uygulanması hakkında bilgi edinilmesi
5	Proje veya ödev raporu yazma becerisinin kazanılması

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Yapay zeka, bulanık sistemler ve genetik algoritmalar hakkında genel bilgi
2	Neurocomputing
3	Temel nöro-hesaplama kavramları
4	Adaptive Linear combiner, Adaline ve Madaline, LMS algorithm
5	Veri işleme ve özellik çıkarımı
6	Öğrenme görevleri ve öğrenme algoritmaları
7	Multilayer perceptron, backpropogation
8	Radial basis function neural networkler
9	SOM network
10	Hopfield Network
11	Mekatronik sistemler için yapay sinir ağları
12	Yapay sinir ağları ile robot uygulaması
13	Öğrenci sunumu
14	Öğrenci sunumu

Ders İçin Önerilen Kaynaklar

Neural Networks: A Comprehensive Foundation (2nd Edition), 1998, Simon Haykin, ISBN: 0132733501, Prentice Hall
Neural Networks and Learning Machines, (3rd Edition), 2008, Simon Haykin, ISBN: 0131471392

Öğrenme ve Öğretme Yöntemleri

Bu ders sınıfta ders anlatılması, ödevler ve projeler yoluyla yapılacaktır. Öğrencilerin tüm faaliyetlere katılması demo ve sunum yapması beklenmektedir.

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	HW	Hmwrk/rsch.
2	FN	Final
3	BNS	BNS	HW * 0.50 + FN * 0.50
4	BUT	Bütünleme Notu
5	BBN	Bütünleme Sonu Başarı Notu	HW * 0.50 + BUT * 0.50

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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Final sınavında
1. Yapay Sinir ağlarının temelleri ve insan beyni ile karsılastırılması
2. Nöronların öğrenme mekanizmalarının anlaşılması
3. Değişik yapay sinir ağları tiplerinin ve öğrenme algoritmalarının öğrenilmesi
4. Yapay sinir ağlarının patrik mekatronik sistemlerde uygulanması hakkında bilgi edinilmesi

Ödev ve projelerde
1. Yapay Sinir ağlarının temelleri ve insan beyni ile karsılastırılması
2. Nöronların öğrenme mekanizmalarının anlaşılması
3. Değişik yapay sinir ağları tiplerinin oluşturulacak veri setleri ile öğrenilmesi
4. Yapay sinir ağlarının patrik mekatronik sistemlerde uygulanması hakkında bilgi edinilmesi
5. Proje veya ödev raporu yazma becerisinin kazanılması

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

Doç. Dr. Yavuz ŞENOL
0232 3017170
yavuz.senol@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Her hafta 2 saat

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	3	42
Final Sınavına Hazırlık	1	20	20
Ödev Hazırlama	1	35	35
Sunum Hazırlama	1	50	50
Final Sınavı	1	3	3
TOPLAM İŞ YÜKÜ (saat)			192

Program ve Öğrenme Kazanımları İlişkisi

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

DERS ADI

DERECE PROGRAMLARI