Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

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

DR.ÖĞR.ÜYESİ KADRİYE FİLİZ BALBAL

Dersi Alan Birimler

Bilgisayar Bilimleri Doktora (İngilizce)
Bilgisayar Bilimleri Yüksek Lisans
Yapay Zeka ve Akıllı Sistemler Yüksek Lisans

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