Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
DSM 5014	Derin Öğrenme Yöntemleri ve Uygulamaları	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

PROF. DR. BURCU HÜDAVERDİ AKTAŞ

Dersi Alan Birimler

Veri Bilimi Yüksek Lisans
Veri Bilimi Tezsiz Yüksek Lisans (İ.Ö)

Dersin Amacı

Öğrencilerin ağırlıklı olarak uygulamalı biçimde veri bilimine yönelik gelişmiş yapay sinir ağları ve derin öğrenme yöntemlerini kavramalarını ve kullanabilmelerini amaçlamaktadır. Bu ders, Derin Yapay Sinir Ağları'na ( Derin Öğrenme) bir giriş sunar. Hem teoriye hem de pratiğe odaklanarak, çeşitli uygulamalar için modelleri, bunların nasıl eğitilip test edildiğini ve gerçek dünya uygulamalarında nasıl kullanıldığı ele alınacaktır.

Dersin Öğrenme Kazanımları

1	Genel makine öğrenimi terminolojisini anlamak
2	En yaygın derin sinir ağlarının motivasyonunu ve işleyişini anlamak
3	Python/R programlama dilini destekleyen TensorFlow, Keras, vb derin öğrenme uygulama platformlarını kullanarak çeşitli uygulamalar geliştirmek.
4	Derin öğrenmeye ilişkin çeşitli yöntemler, algoritmalar ve teknikleri tanımlamak ve kullanabilmek.
5	Model performansını eleştirel bir şekilde değerlendirmek ve sonuçları yorumlamak

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Makine öğrenimi ve sinir ağlarına giriş: denetimli öğrenme, regresyon için doğrusal modeller, temel sinir ağı yapısı, basit örnekler ve derin ağlar için motivasyon.
2	Sinir Ağlarına giriş. Biyolojik nöron, Yapay nöron modelleri,Algılayıcı öğrenimi, Çok katmanlı algılayıcı öğrenimi, Geri yayılım. denetimli, yarı denetimli ve denetimsiz öğrenme.
3	Yapay Sinir Ağlarının Temelleri: ileri yayılım, maliyet fonksiyonları, hata geri yayılımı, gradyan inişi ile eğitim, yanlılık//varyans
4	Yapay Sinir Ağlarının Temelleri: Gradyan inişi, Stokastik gradyan inişi, diğer optimizasyon yöntemleri, Yakınsama sorunları, aşırı uyum, düzenleme, genelleme.
5	Algılayıcı ve ANN'de Uygulamalar
6	Derin Öğrenmeye Giriş. Otomatik kodlayıcılar. Otomatik kodlayıcılarla gösterimleri öğrenme, seyrekliğin etkisi ve seyrek veri sorunları.
7	Konvolüsyonlu Sinir Ağları: Temel teorik kavramlar. İşlemenin farklı katmanları, konvolüsyon, havuzlama, bırakma, kayıp, eğitim.
8	Evrişimsel Sinir Ağları Üzerindeki Uygulamalar
9	Proje sunumları
10	Üretici Modeller: Segmentasyon, U-Net, Üretken Çelişkili Ağlar (GAN)
11	GAN Üzerindeki Uygulamalar
12	Derin Tekrarlayan Sinir Ağları
13	Derin Tekrarlayan Ağların Uygulamaları.
14	Proje sunumları ve Dönem boyunca ele alınan konuların genel tartışması ve gözden geçirilmesi.

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.

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, çeşitli programlama dilleri ve araçlarıyla uygulamalı örnekler ve tartışma biçiminde öğretilecektir. 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	ODV	ÖDEV
2	ARS	ARASINAV
3	PRJ	PROJE
4	YSBN	YIL SONU BAŞARI NOTU	ODV * 0.30 + ARS * 0.40 + PRJ * 0.30

Değerlendirme Yöntemlerine İliskin Aciklamalar

Değerlendirme yöntemi, öğrenme çıktıları ve derste kullanılan öğretim teknikleri ile uyumlu olacaktır.

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Teme olasılık ve istatistik teorisi, lineer cebir,kalkülüs temelleri ve programlama becerileri gereklidir.

Dersin Öğretim Üyesi İletişim Bilgileri

Burcu Hudaverdi
Fen Fakültesi, İstatistik Bölümü

burcu.hudaverdi@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri