Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
EEE 5029	Yapay Sinir Ağları	SEÇMELİ	3	0	0	7

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. YAVUZ ŞENOL

Dersi Alan Birimler

İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
Elektrik ve Elektronik Mühendisliği Bütünleşik Doktora (İngilizce)
Biyomedikal Teknolojiler Yüksek Lisans (İngilizce)
Elektrik ve Elektronik Mühendisliği Tezsiz Yüksek Lisans (İ.Ö) (İngilizce)
Elektrik ve Elektronik Mühendisliği Yüksek Lisans (İngilizce)
Elektrik ve Elektronik Mühendisliği Doktora (İngilizce)

Dersin Amacı

Dersin amacı:
- Temel ağa mimarileri ve öğrenme kurallarının tanıtılması;
- Sinir ağa analizi ve tasarımı için matematikset metodların verilmesi;
- Ağa eğitimi ve overfitting ten kaçınılması;
- Yapay sinir ağlarının fonksiyon yaklaşımı, öğrüntü tanıma ve sinyal işleme gibi uygulamalı mühendislik problemlerine uygulanması.

Dersin Öğrenme Kazanımları

1	Gerçek insan beyni ve yapay sinir ağa modelleri arasındaki ilişkiyi tanımlama
2	İleri beslemeli tek ve çok katmanlı yapay sinir ağlarının tasarlanması
3	Öğreticili ve öğreticisiz eğitim arasındaki farkın açıklanması
4	Back-prop, RBF, Hopfield ve SOM tipi yapay sinir ağlarının davranış ve çalışmasını anlatmak
5	YSA algoritmalarının değişik mühendislik problemlerine uygulanması
6	YSA başarımlarının analiz edilmesi

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	YSA lara giriş. Biyolojik nöron ve YSA ların karşılaştırılması
2	Yapay nöron ağları. Tek katmanlı perceptronlar.
3	Temel öğrenme kuralları; genel LMS, ve Hebbian öğrenme
4	Veri işleme, Boyutlama, transformasyon, FT, PCA, ve waveletler.
5	Çok katmanlı perceptronlar, ve geri beslemeli yapı.
6	Momentumlu öğrenme ve Conjugate Gradient öğrenme
7	Uygunlaştırma problemleri ve genellemenin iyileştirilmesi
8	MLPNN uygulamaları
9	Proje Değerlendirme
10	Radial Basis Function Neural Networks
11	Self Organising Networks ve Learning Vector Quantization
12	Recurrent networks
13	Proje değerlendirmesi
14	Proje değerlendirmesi

Ders İçin Önerilen Kaynaklar

Ana kaynak kitap: Principles of Neurocomputing for Science & Engineering, McGraw Hill, 2001
Yardımcı kaynak kitap: Neural Networks A Comprehensive Foundation, Simon Haykın Prentice Hall, 1999
References:
Diğer öğretim materyalleri: Ders notları

Öğrenme ve Öğretme Yöntemleri

Dersler düzenli olarak verilen ödev, proje ve Matlab uygulamaları ile desteklenecektir.

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	ODV	ÖDEV
2	YSS	YIL SONU SINAVI
3	YSBN	YIL SONU BAŞARI NOTU	ODV * 0.50 +YSS * 0.50
4	BUT	BÜTÜNLEME
5	BUTBN	BÜTÜNLEME SONU BAŞARI NOTU	ODV * 0.50 + BUT * 0.50

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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Öğrenme çıktıları ödev, proje ve sınavlarla değerlendirilecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

yavuz.senol@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Öğretim üyesi tarafından duyurulacaktır

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
Final Sınavına Hazırlık	1	20	20
Sunum Hazırlama	1	10	10
Ödev Hazırlama	5	5	25
Projeye Hazırlık	1	20	20
Final Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			172

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
ÖK.1	2	1		3	3		2	2	3	3
ÖK.2
ÖK.3	3								1
ÖK.4	3				4		2			3
ÖK.5	2		2		3	4	3			3
ÖK.6	4		2	3		4		4	3	2

DERS ADI

DERECE PROGRAMLARI