DERS ADI

: Derin Öğrenme ve Katmanlı Sinir Ağları

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
CSC 5020 Derin Öğrenme ve Katmanlı Sinir Ağları SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. METE EMİNAĞAOĞLU

Dersi Alan Birimler

Bilgisayar Bilimleri Yüksek Lisans
Bilgisayar Bilimleri Doktora

Dersin Amacı

Öğrencilerin hem teorik hem de uygulamalı olarak yapay zekâ ve yapay öğrenmedeki derin öğrenme ve katmanlı sinir ağları konularını kavramalarını ve uyarlayabilmelerini amaçlamaktadır. İnsanlar ve bilgisayarlardaki öğrenme yöntemlerinin derin hiyerarşik modelleri, çok katmanlı yapay sinir ağları, kısıtlı Boltzmann Makineleri, katmanlı derin Bayes ağları ve bunların örüntü işleme, doğal dil işleme ve tanıma, görüntü algılama, vb. alanlardaki uygulamalarını geliştirebilecek bilgi ve beceriyi öğrencilerin kazanmasını amaçlar.

Dersin Öğrenme Kazanımları

1   Şirketler ya da diğer kurumlardaki çeşitli güncel gereksinimlere ve problemlere derin öğrenme ve katmanlı sinir ağları yöntemlerini kullanarak çözümler geliştirmek.
2   Katmanlı sinir ağlarını kullanarak doğal dil işleme ve metin madenciliğine yönelik yeni yöntemler, modeller ve çözümler geliştirmek.
3   Derin öğrenmedeki çeşitli modelleri kullanarak örüntü işleme ve yapay görüntü algılama ve tanımaya yönelik yeni yöntemler ve çözümler geliştirmek.
4   Katmanlı sinir ağları ve derin öğrenmeye ilişkin çeşitli yöntemler, algoritmalar ve teknikleri tanımlamak ve kullanabilmek.
5   Katmanlı sinir ağları ve derin öğrenme alanına yönelik çeşitli bilimsel ve teknolojik ar-ge projelerini tasarlayıp geliştirebilmek, bu projelere katkı sağlamak.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Yapay sinir ağlarına giriş. Biyolojik ve yapay nöron modelleri, algılayıcı öğrenimi, çok katmanlı algılayıcılar, geri yayılım mekanizmaları. Gözetimli, yarı gözetimli ve gözetimsiz öğrenme.
2 Yapay sinir ağlarındaki temel konular ve yöntemler. Kademeli ve meyilli alçalma, stokastik meyilli alçalma, diğer optimizasyon yöntemleri. Aşırı öğrenme, yakınsama ve genelleme sorunları.
3 Örüntü tanıma ve yapay görme / algılama konularına giriş. İnsanlardaki görme mekanizma ve hiyerarşileri. Yapay görmede çeşitli yöntemler, özellikler, seyrek kodlaması, çoklu hiyerarşiler, derin katmanlar.
4 Derin öğrenmeye giriş. Oto-kodlayıcılar. Oto-kodlayıcılarla öğrenme yöntemleri ve mekanizmaları. Seyrek yapılar ve seyrek verilere ilişkin konular ve yaklaşımlar.
5 Katmanlı yapay sinir ağlarında temel kavramlar. Farklı katmanlardaki farklı bilgi işleme süreçleri, katmanlaşma, havuz oluşumu, sıyırma / eleme, kayıplar ve katmanlı eğitim modelleri.
6 Katmanlı yapay sinir ağlarının kullanıldığı çeşitli uygulamalar ve teknolojiler.
7 Kısıtlı Boltzmann Makineleri nde temel kavramlar. Hopfield Ağları, Boltzmann Makinelerinde eğitim ve öğrenme modelleri.
8 Kısıtlı Boltzmann Makineleri ve diğer Boltzmann Makineleri nin kullanıldığı çeşitli uygulamalar ve teknolojiler.
9 Derin Bayes Ağları. Teorik temelleri. Derin Bayes Ağları nın çeşitli uygulamaları.
10 Derin yinelemeli ağlar ve sıralı öğrenme. Basit yinelemeli yapay sinir ağları: Elman ve Jordan ağları. Standart yinelemeli yapay sinir ağları, Uzun / kısa vadeli bellekler.
11 Derin yinelemeli sinir ağlarının kullanıldığı çeşitli uygulamalar ve teknolojiler.
12 Alternatif derin öğrenme modelleri. Takviyeli derin öğrenme. Nöral Turing Makineleri.
13 Derin ve sığ öğrenme modellerinin karşılaştırmalı analizleri. Katmanlı sinir ağları ve derin öğrenme alanına ilişkin karmaşık problemler ve güncel konular.
14 Proje sunumları. Dönem boyu işlenen konuların genel tekrarı ve değerlendirmesi.

Ders İçin Önerilen Kaynaklar

Y. Bengio, I. Goodfellow and A. Courville, Deep Learning , MIT Press, 2016.
L. Deng and D. Yu, Deep Learning: Methods and Applications , Foundations and Trends in Signal Processing, Now Publishers, 2014.

Yardımcı kaynaklar:
C. Bishop, Pattern Recognition and Machine Learning , Springer, 2006.
K. P. Murphy, Machine learning: a probabilistic perspective , MIT press, 2012.

Öğrenme ve Öğretme Yöntemleri

Ders, anlatım, sınıf sunumu ve tartışma biçiminde öğretilecek. Öğretilen dersin yanı sıra, öğrencilere gruplar halinde sunumlar hazırlatılacak ve tartışmalı oturumlar şeklinde sundurulacaktır. Dersin bazı haftalarında, daha önce verilen ödev sonuçları tartışılarak pekiştirilecektir.

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 PRJ PROJE
2 ARS ARASINAV
3 YYS YARIYIL SONU SINAVI
4 YSBN YIL SONU BAŞARI NOTU PRJ * 0.30 + ARS * 0.30 + YYS * 0.40
5 BUT BÜTÜNLEME
6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU PRJ * 0.30 + ARS * 0.30 + BUT * 0.40


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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

mete.eminagaoglu@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 3 42
Haftalık Ders öncesi/sonrası hazırlıklar 13 4 52
Final Sınavına Hazırlık 1 24 24
Ödev Hazırlama 2 30 60
Sunum Hazırlama 2 14 28
Final Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 208

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.1444
ÖK.2444
ÖK.3444
ÖK.4444
ÖK.5444