| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Tezli Yüksek Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 10 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Derin öğrenmenin temel kavramlarını ve yapay sinir ağı mimarilerini ileri düzeyde analiz etmek.
- Evrişimli sinir ağları (CNN) ve tekrarlayan sinir ağları (RNN) mimarilerini tasarım ve uygulama düzeyinde kullanmak.
- Derin öğrenme modellerinin eğitiminde optimizasyon algoritmalarını ve düzenlileştirme tekniklerini kullanmak.
- Doğal dil işleme ve görüntü işleme problemlerine yönelik derin öğrenme tabanlı çözümler geliştirmek.
- Derin öğrenme projelerini akademik ve profesyonel standartlarda tasarlamak, eğitmek ve değerlendirmek.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | |
|---|
| Ders Tanımı | Derin öğrenmenin temel kavramlarından başlayarak; ileri beslemeli sinir ağlarını, evrişimli ve tekrarlayan sinir ağı mimarilerini, optimizasyon ve düzenlileştirme tekniklerini, doğal dil işleme ve görüntü işleme uygulamalarını inceleyerek; öğrencilere karmaşık veri kümeleri üzerinde derin öğrenme modelleri tasarlama ve eğitme yetkinliği kazandıran bir derstir. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Derin Öğrenmeye Giriş: Temel Kavramlar ve Tarihsel Gelişim |
|
2. Hafta |
Yapay Sinir Ağları Temelleri: Algılayıcılar ve Aktivasyon Fonksiyonları |
|
3. Hafta |
İleri Beslemeli Sinir Ağları ve Geri Yayılım (Backpropagation) Algoritması |
|
4. Hafta |
Optimizasyon Algoritmaları: Gradyan İnişi ve Varyantları (Adam, RMSProp) |
|
5. Hafta |
Düzenlileştirme Teknikleri: Dropout, Batch Normalization ve Early Stopping |
|
6. Hafta |
Evrişimli Sinir Ağları (CNN): Katmanlar ve Mimari Yapılar |
|
7. Hafta |
Görüntü Sınıflandırma ve Nesne Tanıma Uygulamaları |
|
8. Hafta |
Ara Sınav |
|
9. Hafta |
Tekrarlayan Sinir Ağları (RNN) ve Uzun-Kısa Süreli Bellek (LSTM) |
|
10. Hafta |
Doğal Dil İşlemede Derin Öğrenme: Kelime Gömme (Word Embedding) ve Dikkat Mekanizmaları |
|
11. Hafta |
Transformer Mimarisi ve Önceden Eğitilmiş Modeller (BERT, GPT) |
|
12. Hafta |
Üretici Çekişmeli Ağlar (GAN) ve Otokodlayıcılar (Autoencoders) |
|
13. Hafta |
Transfer Öğrenme ve Önceden Eğitilmiş Model Kullanımı |
|
14. Hafta |
Model Dağıtımı, Derin Öğrenmede Etik ve Dönem Projesi Sunumu |
|
| Kaynaklar | 1. Goodfellow, I., Bengio, Y. ve Courville, A. 2016. Deep Learning
2. Ders dokümanları
|
|---|
| Öğretim Yöntemleri |
- Anlatım
- Tartışma
- Soru-Cevap
- Sorun/Problem Çözme
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
40 |
| Toplam(%) |
|
40 |
| Yıl İçinin Başarıya Oranı(%) |
|
40 |
| Finalin Başarıya Oranı(%) |
|
60 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
1 |
1 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
10 |
140 |
| Final Sınavına Hazırlık |
14 |
3 |
42 |
| Ders Saati |
13 |
3 |
39 |
| Ara Sınava Hazırlık |
8 |
3 |
24 |
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
1 |
1 |
| Ödevler |
1 |
40 |
40 |
| Toplam İş Yükü | 287 |
| Toplam İş Yükü / 30 | 9.56 |
| Dersin AKTS Kredisi | 10 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
