Ana içeriğe atla

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
SİNİR AĞLARI-Bahar Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Mehmet KOCATÜRK
Dersi VerenlerDr.Öğr.Üye. Mehmet KOCATÜRK
Dersin Yardımcıları
Dersin AmacıBu dersin amacı hesaplamalı nöron modellerini kullanmayı temel alan bilgi işleme tekniklerini ve kontrol algoritmalarını değerlendirmektir.
Dersin İçeriğiBu ders; Sinir Sistemi: Mikroskopik Görünüm,Sinir Sistemi: Makroskopik Görünüm,Algılayıcı,Çok katmanlı algılayıcı,Gözetimli Öğrenme,Hodgkin-Huxley Modeli,Izhikevich Modeli,Sinaptik Etkileşim Modelleri,Nöromodülasyon - Pekiştirmeli Öğrenme,Zamanlama – Osilasyonlar,Vuru Üreten Sinir Ağı Benzetimi,Gerçek-zamanlı Vuru Üreten Sinir Ağı Benzetimi,Nöromorfik İşlemciler,Geniş-Ölçekli Sinirsel Ağ Modelleme; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Temel nöron ve sinaptik etkileşim modellerini açıklar ve değerlendirir.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Sinirsel kodlamaya ilişkin ana kavramları açıklar.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Matematiksel modelleme tekniklerini kullanarak biyolojik sinirsel devrelerin dinamiklerini açıklar.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Sinir ağı benzetimi için gerekli donanım ve yazılım araçlarını belirler.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Mühendislik srounlarını çözmek için yapay sinir ağı kurar.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Öğretim Yöntemleri:10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi

Ders Akışı

SıraKonularÖn Hazırlık
1Sinir Sistemi: Mikroskopik GörünümHafta 1 ders notları.
2Sinir Sistemi: Makroskopik GörünümHafta 1 ders notları (devamı).
3AlgılayıcıHafta 3 ders notları.
4Çok katmanlı algılayıcıHafta 4 ders notları.
5Gözetimli ÖğrenmeHafta 5 ders notları.
6Hodgkin-Huxley ModeliHafta 6 ders notları.
7Izhikevich ModeliHafta 7 ders notları.
8Sinaptik Etkileşim ModelleriHafta 8 ders notları.
9Nöromodülasyon - Pekiştirmeli ÖğrenmeHafta 9 ders notları.
10Zamanlama – OsilasyonlarHafta 10 ders notları.
11Vuru Üreten Sinir Ağı BenzetimiHafta 11 ders notları.
12Gerçek-zamanlı Vuru Üreten Sinir Ağı BenzetimiHafta 12 ders notları.
13Nöromorfik İşlemcilerHafta 13 ders notları.
14Geniş-Ölçekli Sinirsel Ağ ModellemeHafta 14 ders notları.
Kaynak
Alpaydin, E., (2010) Introduction to machine learning, MIT Press,Cambridge. Lytton, W. W., (2002) From computer to brain : foundations of computational neuroscience, Springer, New York. Kandel, E. R., Schwartz, J. H., Jessell, T. M., Siegelbaum, S. A., Hudspeth, A. J. , (2012) Principles of neural science, McGraw-Hill, New York. Dayan, P., Abbott, L. F., (2001) Theoretical neuroscience: Computational and mathematical modeling of neural systems, MIT Press, Cambridge. Izhikevich, E.M., (2007) Dynamical systems in neuroscience: The geometry of excitability and bursting, MIT Press, Cambridge.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular.
X
2
Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir ve mühendisliğin ilişki kurduğu disiplinler arası etkileşimi kavrayabilir.
X
3
Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları yorumlar, yeni ve özgün fikirler geliştirerek çözümler.
X
4
Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir.
X
5
Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir.
6
Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır.
7
Mesleğinin yeni ve gelişmekte olan uygulamalarının farkındadır; gerektiğinde bunları inceler ve öğrenir.
X
8
Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü B2 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır.
X
9
Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler.
10
Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Saati14342
Rehberli Problem Çözme000
Problem Çözümü / Ödev / Proje / Rapor Tanzimi1012120
Okul Dışı Diğer Faaliyetler000
Proje Sunumu / Seminer000
Kısa Sınav (QUİZ) ve Hazırlığı000
Ara Sınav ve Hazırlığı13030
Genel Sınav ve Hazırlığı14040
Performans Görevi, Bakım Planı000
Toplam İş Yükü (Saat)232
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(232/30)8
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Dersin Detaylı Bilgileri

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
SİNİR AĞLARI-Bahar Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Mehmet KOCATÜRK
Dersi VerenlerDr.Öğr.Üye. Mehmet KOCATÜRK
Dersin Yardımcıları
Dersin AmacıBu dersin amacı hesaplamalı nöron modellerini kullanmayı temel alan bilgi işleme tekniklerini ve kontrol algoritmalarını değerlendirmektir.
Dersin İçeriğiBu ders; Sinir Sistemi: Mikroskopik Görünüm,Sinir Sistemi: Makroskopik Görünüm,Algılayıcı,Çok katmanlı algılayıcı,Gözetimli Öğrenme,Hodgkin-Huxley Modeli,Izhikevich Modeli,Sinaptik Etkileşim Modelleri,Nöromodülasyon - Pekiştirmeli Öğrenme,Zamanlama – Osilasyonlar,Vuru Üreten Sinir Ağı Benzetimi,Gerçek-zamanlı Vuru Üreten Sinir Ağı Benzetimi,Nöromorfik İşlemciler,Geniş-Ölçekli Sinirsel Ağ Modelleme; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Temel nöron ve sinaptik etkileşim modellerini açıklar ve değerlendirir.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Sinirsel kodlamaya ilişkin ana kavramları açıklar.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Matematiksel modelleme tekniklerini kullanarak biyolojik sinirsel devrelerin dinamiklerini açıklar.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Sinir ağı benzetimi için gerekli donanım ve yazılım araçlarını belirler.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Mühendislik srounlarını çözmek için yapay sinir ağı kurar.10, 12, 14, 16, 19, 2, 21, 6, 9A, E, F
Öğretim Yöntemleri:10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi

Ders Akışı

SıraKonularÖn Hazırlık
1Sinir Sistemi: Mikroskopik GörünümHafta 1 ders notları.
2Sinir Sistemi: Makroskopik GörünümHafta 1 ders notları (devamı).
3AlgılayıcıHafta 3 ders notları.
4Çok katmanlı algılayıcıHafta 4 ders notları.
5Gözetimli ÖğrenmeHafta 5 ders notları.
6Hodgkin-Huxley ModeliHafta 6 ders notları.
7Izhikevich ModeliHafta 7 ders notları.
8Sinaptik Etkileşim ModelleriHafta 8 ders notları.
9Nöromodülasyon - Pekiştirmeli ÖğrenmeHafta 9 ders notları.
10Zamanlama – OsilasyonlarHafta 10 ders notları.
11Vuru Üreten Sinir Ağı BenzetimiHafta 11 ders notları.
12Gerçek-zamanlı Vuru Üreten Sinir Ağı BenzetimiHafta 12 ders notları.
13Nöromorfik İşlemcilerHafta 13 ders notları.
14Geniş-Ölçekli Sinirsel Ağ ModellemeHafta 14 ders notları.
Kaynak
Alpaydin, E., (2010) Introduction to machine learning, MIT Press,Cambridge. Lytton, W. W., (2002) From computer to brain : foundations of computational neuroscience, Springer, New York. Kandel, E. R., Schwartz, J. H., Jessell, T. M., Siegelbaum, S. A., Hudspeth, A. J. , (2012) Principles of neural science, McGraw-Hill, New York. Dayan, P., Abbott, L. F., (2001) Theoretical neuroscience: Computational and mathematical modeling of neural systems, MIT Press, Cambridge. Izhikevich, E.M., (2007) Dynamical systems in neuroscience: The geometry of excitability and bursting, MIT Press, Cambridge.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular.
X
2
Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir ve mühendisliğin ilişki kurduğu disiplinler arası etkileşimi kavrayabilir.
X
3
Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları yorumlar, yeni ve özgün fikirler geliştirerek çözümler.
X
4
Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir.
X
5
Mühendislik ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilir.
6
Çok disiplinli takımlarda liderlik yapar, çözüm yaklaşımları geliştirir ve sorumluluk alır.
7
Mesleğinin yeni ve gelişmekte olan uygulamalarının farkındadır; gerektiğinde bunları inceler ve öğrenir.
X
8
Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü B2 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır.
X
9
Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler.
10
Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Ekleme Tarihi: 26/01/2023 - 12:33Son Güncelleme Tarihi: 26/01/2023 - 12:34