Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
EEE 5029	Artifical Neural Networks	SEÇMELİ	3	0	0	7

Dersi Veren Birim

Tıbbi Bilişim Yüksek Lisans

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

Dersi Alan Birimler

Tıbbi Bilişim Yüksek Lisans

Dersin Amacı

The objectives of the course are:
to present the basic network architectures and learning rules;
to provide mathematical methods for neural network analysis and design;
to provide knowledge for network training and overfitting avoidance;
to apply neural networks to practical engineering problems in areas of function approximation, pattern recognition, and signal processing.

Dersin Öğrenme Kazanımları

1	Describe the relation between real brain and artificial neural network models
2	To be able to design single and multi-layer feed-forward neural networks
3	To be able to explain the differences between supervised and unsupervised learning
4	To be able to explain the behavior or neural networks of the Back-prop, RBF, Hopfield and SOM type
5	To be able to implement ANN algorithms to various engineering problems
6	To be able to analyse the performance of neural networks

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Introduction to neural Networks. Biological neurons and neural Networks and their comparison
2	Networks of artificial neurons. Single layer perceptrons.
3	Basic learning rules; generalized LMS, and Hebbian Learning
4	Data processing; Scaling, Transformations, FT, PCA, and wavelets
5	Multi-layer perceptrons and backpropagation.
6	Learning with momentum and Conjugate Gradient Learning
7	Fitting problems and improving generalization
8	Applications of MLPNN
9	Midterm
10	Radial Basis Function Neural Networks
11	Self Organising Networks and Learning Vector Quantization
12	Recurrent networks
13	Project evaluation
14	Project evaluation

Ders İçin Önerilen Kaynaklar

Main Source Book: Principles of Neurocomputing for Science & Engineering, McGraw Hill, 2001
Suplementary source book : Neural Networks A Comprehensive Foundation, Simon Haykın Prentice Hall, 1999
References:
Other lecture materials: Lecture Notes

Öğrenme ve Öğretme Yöntemleri

Lectures will be supported by regularly assigned homeworks , recitation hours, and Matlab applications

Değerlendirme Yöntemleri

Başarılı / Başarısız

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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Learning outcomes are evaluated by homeworks, projects, and exam questions.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

yavuz.senol@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

will be posted at the related term

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	13	3	39
Haftalık Ders öncesi/sonrası hazırlıklar	14	4	56
Vize Sınavına Hazırlık	1	20	20
Final Sınavına Hazırlık	1	20	20
Sunum Hazırlama	1	10	10
Ödev Hazırlama	5	5	25
Vize Sınavı	1	2	2
Final Sınavı	1	3	3
TOPLAM İŞ YÜKÜ (saat)			175

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.3	PK.4	PK.5	PK.6	PK.7	PK.8	PK.10	PK.11	PK.12	PK.14	PK.15	PK.16
ÖK.1	5	5	5
ÖK.2		5	5
ÖK.3				5	5		5
ÖK.4						4	5		5
ÖK.5								5		5	5			4
ÖK.6										5	4	5	4

DERS ADI

DERECE PROGRAMLARI