DERS ADI

: İşaret İşleme İçin Sinir Ağları

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
EEE 5030 İşaret İşleme İçin Sinir Ağları SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. GÜLESER KALAYCI DEMİR

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

Bu ders, öğrencilerin i) yapay sinir ağları modellerini ve öğrenme algoritmalarını öğrenmesini ve ii) ses, görüntü, biyolojik ve benzeri diğer sinyallerin işlenmesi için yapay sinir ağı modellerinin tasarımında öğrenme algoritmalarını kullanmasını amaçlamaktadır.

Dersin Öğrenme Kazanımları

1   Verilen belirli bir sinyal işleme uygulaması için yapay sinir ağı modeli tasarlayabilme
2   Yapay sinir ağı yazılımlarını kullanabilme
3   Genel sinir ağı modelleri için uygulamaya dönük sorunları tanımlayabilme
4   Öğrenme algoritmalarını ve yapay sinir ağlarının genelleme yeteneğini açıklayabilme
5   Öğrenme algoritmalarını farklı problemlere uygulayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 YSA'lara giriş, YSA'ların tarihsel gelişimi
2 Öğrenme algoritmalarının temelleri ve YSA yapıları
3 Tek katmanlı sürekli/kesikli değerli perceptron
4 Çok katmanlı ileri beslemeli sinir ağları
5 Çok katmanlı ileri beslemeli sinir ağları
6 Arasınav
7 Geribeslemeli ağlar
8 YSA uygulamaları
9 Derin ileri beslemeli ağlar
10 Konvoluüsyonel ağlar
11 Konvolüsyonel ağlar
12 YSA uygulamaları
13 Oto-kodlayıcılar
14 Çekişmeli üretici ağlar

Ders İçin Önerilen Kaynaklar

- Neural Networks and Learning Machines (3rd Edition) , Simon Haykin, Prentice Hall, 2009.
- Deep Learning, Ian Goodfellow,Yoshua Bengio and Aaron Courville, MIT Press,2016.
- Introduction to Artificial Neural Systems,Jacek M. Zurada, PWS Publishing Company, 1995.

Öğrenme ve Öğretme Yöntemleri

Sunumlar, belirli bir problem üzerine sınıf-içi tartışmalar ve proje tabanlı eğitim ögeleri kullanılacaktır.

Değerlendirme Yöntemleri

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

Dokuz Eylül Üniversitesi,
Elektrik ve Elektronik Mühendisliği Bölümü,
Tınaztepe Kampüsü, Buca, İzmir-Türkiye
e-mail: guleser.kalayci@deu.edu.tr
Tel: +90 232 3017152

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 13 3 39
Ödev Hazırlama 1 50 50
Haftalık Ders öncesi/sonrası hazırlıklar 13 3 39
Final Sınavına Hazırlık 1 18 18
Vize Sınavına Hazırlık 1 20 20
Rapor hazırlama 1 8 8
Kitap Okuma 1 10 10
Vize Sınavı 1 2 2
Final Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 188

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.1552532232
ÖK.2554421435
ÖK.3553422552
ÖK.4452321
ÖK.5