DERS ADI

: DERİN ÖĞRENME

DERECE PROGRAMLARI

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
EMT 3035 DERİN ÖĞRENME SEÇMELİ 3 0 0 5

Dersi Veren Birim

Ekonometri

Dersin Düzeyi

Lisans

Ders Koordinatörü

DOÇ. DR. ÖZLEM KİREN GÜRLER

Dersi Alan Birimler

Ekonometri
Ekonometri (İ.Ö)

Dersin Amacı

Bu dersin amacı, katılımcılara derin öğrenmenin temel prensiplerini ve uygulamalarını tanıtarak, Python programlama dilini ve popüler derin öğrenme kütüphanelerini (TensorFlow, Keras, PyTorch) kullanarak çeşitli derin öğrenme modelleri geliştirebilmelerini sağlamak ve böylece gerçek dünya problemlerine derin öğrenme çözümleri üretebilme becerisi kazandırmaktır.

Dersin Öğrenme Kazanımları

1   Derin öğrenmenin temel kavramlarını kavrayabilme
2   Python ve derin öğrenme kütüphanelerini kullanabilme becerisi kazanma
3   Farklı derin öğrenme modelleri geliştirebilme yeteneği edinme
4   Veri ön işleme ve model değerlendirme becerilerini uygulayabilme
5   Gerçek dünya problemlerine derin öğrenme çözümleri üretebilme
6   Derin öğrenme alanındaki gelişmeleri takip etme bilinci oluşturma

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 1.Hafta Derin Öğrenmeye Giriş: Dersin tanıtımı ve hedefleri. Yapay zeka, makine öğrenimi ve derin öğrenme arasındaki farklar. Derin öğrenmenin tarihçesi ve uygulama alanları. Derin öğrenmenin temel prensipleri: nöronlar, katmanlar, aktivasyon fonksiyonları.
2 2.Hafta Python ve Derin Öğrenme Kütüphanelerine Giriş: Python temelleri (gerekirse hızlı bir tekrar). NumPy, Pandas ve Matplotlib kütüphanelerine giriş. TensorFlow veya PyTorch kurulumu ve temelleri. Keras'a giriş (TensorFlow ile birlikte veya ayrı).
3 3.Hafta Yapay Sinir Ağları (YSA) 1: YSA mimarisi ve çalışma prensibi. Doğrusal ve lojistik regresyonun derin öğrenme ile uygulanması. Tek katmanlı YSA'lar. Aktivasyon fonksiyonları (ReLU, sigmoid, tanh).
4 4.Hafta Yapay Sinir Ağları (YSA) 2: Çok katmanlı YSA'lar ve geri yayılım algoritması. Kayıp fonksiyonları ve optimizasyon algoritmaları (SGD, Adam). Overfitting ve underfitting kavramları. Regularizasyon teknikleri (L1, L2).
5 5.Hafta Yapay Sinir Ağları (YSA) Uygulamalar: Sınıflandırma problemleri çözme (örneğin, MNIST veri seti). Regresyon problemleri çözme. Model performansını değerlendirme metrikleri. Hiperparametre ayarlama.
6 6.Hafta Evrişimsel Sinir Ağları (CNN) 1: CNN mimarisi ve çalışma prensibi. Evrişim katmanları ve filtreler. Pooling katmanları (Max Pooling, Average Pooling). CNN'lerde aktivasyon fonksiyonları.
7 7.Hafta Evrişimsel Sinir Ağları (CNN) 2: Görüntü sınıflandırma uygulamaları. Nesne tanıma uygulamalarına giriş. CNN mimarilerinde katmanların düzenlenmesi. Veri büyütme (data augmentation) teknikleri.
8 8.Hafta Evrişimsel Sinir Ağları (CNN) Uygulamalar: Görüntü sınıflandırma modeli geliştirme (örneğin, CIFAR-10 veri seti). Transfer öğrenimi ve önceden eğitilmiş modeller (örneğin, VGG16, ResNet). Fine-tuning.
9 9.Hafta Tekrarlayan Sinir Ağları (RNN) 1: RNN mimarisi ve çalışma prensibi. Zaman serisi verileri ve sıralı veriler. LSTM (Uzun Kısa Süreli Bellek) ağları. GRU (Kapılı Tekrarlayan Birim) ağları.
10 10.Hafta Tekrarlayan Sinir Ağları (RNN) 2: Doğal dil işleme (NLP) uygulamalarına giriş. Kelime vektörleri (word embeddings). Metin sınıflandırma. Dizi oluşturma (sequence generation).
11 11.Hafta Tekrarlayan Sinir Ağları (RNN) Uygulamalar: Metin sınıflandırma modeli geliştirme (örneğin, IMDB veri seti). Zaman serisi tahmini modeli geliştirme. RNN'lerde dikkat mekanizmaları (attention mechanisms).
12 12.Hafta Derin Öğrenme Uygulamaları - Proje Çalışmalarına Giriş: Öğrenci projelerinin belirlenmesi ve grupların oluşturulması. Proje konularının tartışılması ve proje planlarının oluşturulması. Derin öğrenme alanındaki güncel uygulamaların incelenmesi.
13 13.Hafta Proje Çalışmaları: Öğrencilerin projeleri üzerinde çalışması için ayrılan ders saati. Öğretmen tarafından proje danışmanlığı ve rehberlik.
14 14.Hafta Proje Sunumları ve Değerlendirme: Öğrenci projelerinin sunumları. Projelerin değerlendirilmesi. Dersin genel değerlendirilmesi ve kapanış.

Ders İçin Önerilen Kaynaklar

1. François Chollet. Deep Learning with Python. Manning Publications Co. 2017.
2. Aurelien Geron. Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow. Oreilly. 2019.
3. Hagan, M.T., Demuth, H.B. and Beale, M. Neural Network Design. 1996.

Öğrenme ve Öğretme Yöntemleri

Bu ders, sınıf içi ders anlatımları, sınıf içi tartışmalar, gösterimler, uygulamalı laboratuvar çalışmaları, örnek olay incelemeleri, soru-cevap oturumları kullanılarak sunulacaktır.

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 STT TERM WORK (SEMESTER)
2 MTE MIDTERM EXAM
3 MTEG MIDTERM GRADE STT * 0.50 +MTE * 0.50
4 FIN FINAL EXAM
5 FCG FINAL COURSE GRADE MTEG * 0.40 + FIN * 0.60
6 RST RESIT
7 FCGR FINAL COURSE GRADE (RESIT) MTEG * 0.40 + RST * 0.60


Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

serkan.aras@deu.edu.tr

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 14 3 42
Haftalık Ders öncesi/sonrası hazırlıklar 14 1 14
Final Sınavına Hazırlık 1 14 14
Ödev Hazırlama 1 25 25
Sunum Hazırlama 1 6 6
Diğer Kısa Sınavlara Hazırlık 1 15 15
Final Sınavı 1 2 2
Vize Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 120

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.111
ÖK.21
ÖK.31
ÖK.411
ÖK.511
ÖK.6111

İLETİŞİM BİLGİLERİMİZ
Dokuz Eylül Üniversitesi Cumhuriyet Bulvarı No: 144 35210 Alsancak / İZMİR
Telefon: +90(232) 412 12 12 - Faks: +90 (232) 464 81 35

Copyright 2015 DEÜ. BİD

ANASAYFA / ÜNİVERSİTE HAKKINDA / DERECE PROGRAMLARI / ÖĞRENCİ İÇİN GENEL BİLGİLER / ULUSLARARASI İLİŞKİLER