Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| DERİN ÖĞRENME VE UYGULAMALARI | - | Bahar Dönemi | 3+0 | 3 | 9 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersi Verenler | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, derin öğrenme algoritmalarını bilgisayar görüsü ve resim işleme konuları çerçevesinde teorik olarak öğrenciye aktarmaktır. |
| Dersin İçeriği | Bu ders; Öğrenme Temelleri ve Derin Öğrenmeye Giriş,Yapay Sinir Ağları, tarihsel gelişim ve uygulama örnekleri," Tek katmanlı ve Çok katmanlı algılayıcılar Öğrenme Süreci ve Aktivasyon Fonksiyonları","Derin Sinir Ağlarını İyileştirme: Hiperparametre Ayarlama, Düzenleme ve Optimizasyon",Evrişimli Sinir Ağları (CNN),CNN tabanlı modeller için veri hazırlama süreçleri,Görsel Algılama Temelleri ve Uygulama Örnekleri,Özyinelemeli Sinir Ağları (RNN) ,Örnek Platformlar: Tensoflow (Keras) + Python,Görsel Algılama Örnekleri (Basamak Tanıma, El Hareketleri Sınıflandırma),Zaman serisi Örnekleri (LSTM),Ses Verisi ile Örnek Uygulama (Kekemelik Belirleme) Encoder-Decoder Modelleri,Öğrenci Çalışmaları Sunum ve Tartışma,Öğrenci Çalışmaları Sunumu ve Tartışma; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Derin öğrenme kavramını açıklar. | 9 | A, E, F |
| 1.1 Derin Öğrenmenin tarihsel gelişimini anlatır. | ||
| 2. Yapay Sinir Ağlarını tanımlar. | 2 | A, E, F |
| 3. Derin öğrenmeyi iyileştirme yöntemlerini sıralar. | 2, 9 | A, E, F |
| 4. Evrişimli Sİnir ağlarını(CNN) tartışır. | 14, 4, 9 | E, F |
| 5. Özyinelemeli Sinir Ağlarını (RNN) tanımlar. | 14, 2, 9 | A, E, F |
| Öğretim Yöntemleri: | 14: Bireysel Çalışma Yöntemi, 2: Proje Temelli Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Öğrenme Temelleri ve Derin Öğrenmeye Giriş | İlgili bölüm kitaptan okunacak. |
| 2 | Yapay Sinir Ağları, tarihsel gelişim ve uygulama örnekleri | İlgili bölüm kitaptan okunacak. |
| 3 | " Tek katmanlı ve Çok katmanlı algılayıcılar Öğrenme Süreci ve Aktivasyon Fonksiyonları" | İlgili bölüm kitaptan okunacak. |
| 4 | "Derin Sinir Ağlarını İyileştirme: Hiperparametre Ayarlama, Düzenleme ve Optimizasyon" | İlgili bölüm kitaptan okunacak. |
| 5 | Evrişimli Sinir Ağları (CNN) | İlgili bölüm kitaptan okunacak. |
| 6 | CNN tabanlı modeller için veri hazırlama süreçleri | İlgili bölüm kitaptan okunacak. |
| 7 | Görsel Algılama Temelleri ve Uygulama Örnekleri | İlgili bölüm kitaptan okunacak. |
| 8 | Özyinelemeli Sinir Ağları (RNN) | İlgili bölüm kitaptan okunacak. |
| 9 | Örnek Platformlar: Tensoflow (Keras) + Python | İlgili bölüm kitaptan okunacak. |
| 10 | Görsel Algılama Örnekleri (Basamak Tanıma, El Hareketleri Sınıflandırma) | İlgili bölüm kitaptan okunacak. |
| 11 | Zaman serisi Örnekleri (LSTM) | İlgili bölüm kitaptan okunacak. |
| 12 | Ses Verisi ile Örnek Uygulama (Kekemelik Belirleme) Encoder-Decoder Modelleri | İlgili bölüm kitaptan okunacak. |
| 13 | Öğrenci Çalışmaları Sunum ve Tartışma | İlgili bölüm kitaptan okunacak. |
| 14 | Öğrenci Çalışmaları Sunumu ve Tartışma | İlgili bölüm kitaptan okunacak. |
| Kaynak |
| I. Goodfellow, Y. Bengio and A. Courville,, Deep Learning, MIT Press, 2016. R. Szeliski, Computer Vision: Algorithms and Applications, Springer 2010 |
| R. C. Gonzalez and R. E. Woods, Digital Image Processing, 3rd edition, Prentice Hall, 2008.//// D. A. Forsyth and J. Ponce, Computer Vision: A Modern Approach, Prentice Hall, 2002.///// D. H. Ballard and C. M. Brown, Computer Vision, Prentice Hall, 1982. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Ders Saati | 14 | 3 | 42 | |||
| Rehberli Problem Çözme | 5 | 5 | 25 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 12 | 3 | 36 | |||
| Okul Dışı Diğer Faaliyetler | 12 | 3 | 36 | |||
| Proje Sunumu / Seminer | 1 | 24 | 24 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 10 | 8 | 80 | |||
| Ara Sınav ve Hazırlığı | 1 | 12 | 12 | |||
| Genel Sınav ve Hazırlığı | 1 | 20 | 20 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Toplam İş Yükü (Saat) | 275 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(275/30) | 9 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| DERİN ÖĞRENME VE UYGULAMALARI | - | Bahar Dönemi | 3+0 | 3 | 9 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersi Verenler | Prof.Dr. Gökhan SİLAHTAROĞLU |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, derin öğrenme algoritmalarını bilgisayar görüsü ve resim işleme konuları çerçevesinde teorik olarak öğrenciye aktarmaktır. |
| Dersin İçeriği | Bu ders; Öğrenme Temelleri ve Derin Öğrenmeye Giriş,Yapay Sinir Ağları, tarihsel gelişim ve uygulama örnekleri," Tek katmanlı ve Çok katmanlı algılayıcılar Öğrenme Süreci ve Aktivasyon Fonksiyonları","Derin Sinir Ağlarını İyileştirme: Hiperparametre Ayarlama, Düzenleme ve Optimizasyon",Evrişimli Sinir Ağları (CNN),CNN tabanlı modeller için veri hazırlama süreçleri,Görsel Algılama Temelleri ve Uygulama Örnekleri,Özyinelemeli Sinir Ağları (RNN) ,Örnek Platformlar: Tensoflow (Keras) + Python,Görsel Algılama Örnekleri (Basamak Tanıma, El Hareketleri Sınıflandırma),Zaman serisi Örnekleri (LSTM),Ses Verisi ile Örnek Uygulama (Kekemelik Belirleme) Encoder-Decoder Modelleri,Öğrenci Çalışmaları Sunum ve Tartışma,Öğrenci Çalışmaları Sunumu ve Tartışma; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Derin öğrenme kavramını açıklar. | 9 | A, E, F |
| 1.1 Derin Öğrenmenin tarihsel gelişimini anlatır. | ||
| 2. Yapay Sinir Ağlarını tanımlar. | 2 | A, E, F |
| 3. Derin öğrenmeyi iyileştirme yöntemlerini sıralar. | 2, 9 | A, E, F |
| 4. Evrişimli Sİnir ağlarını(CNN) tartışır. | 14, 4, 9 | E, F |
| 5. Özyinelemeli Sinir Ağlarını (RNN) tanımlar. | 14, 2, 9 | A, E, F |
| Öğretim Yöntemleri: | 14: Bireysel Çalışma Yöntemi, 2: Proje Temelli Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Öğrenme Temelleri ve Derin Öğrenmeye Giriş | İlgili bölüm kitaptan okunacak. |
| 2 | Yapay Sinir Ağları, tarihsel gelişim ve uygulama örnekleri | İlgili bölüm kitaptan okunacak. |
| 3 | " Tek katmanlı ve Çok katmanlı algılayıcılar Öğrenme Süreci ve Aktivasyon Fonksiyonları" | İlgili bölüm kitaptan okunacak. |
| 4 | "Derin Sinir Ağlarını İyileştirme: Hiperparametre Ayarlama, Düzenleme ve Optimizasyon" | İlgili bölüm kitaptan okunacak. |
| 5 | Evrişimli Sinir Ağları (CNN) | İlgili bölüm kitaptan okunacak. |
| 6 | CNN tabanlı modeller için veri hazırlama süreçleri | İlgili bölüm kitaptan okunacak. |
| 7 | Görsel Algılama Temelleri ve Uygulama Örnekleri | İlgili bölüm kitaptan okunacak. |
| 8 | Özyinelemeli Sinir Ağları (RNN) | İlgili bölüm kitaptan okunacak. |
| 9 | Örnek Platformlar: Tensoflow (Keras) + Python | İlgili bölüm kitaptan okunacak. |
| 10 | Görsel Algılama Örnekleri (Basamak Tanıma, El Hareketleri Sınıflandırma) | İlgili bölüm kitaptan okunacak. |
| 11 | Zaman serisi Örnekleri (LSTM) | İlgili bölüm kitaptan okunacak. |
| 12 | Ses Verisi ile Örnek Uygulama (Kekemelik Belirleme) Encoder-Decoder Modelleri | İlgili bölüm kitaptan okunacak. |
| 13 | Öğrenci Çalışmaları Sunum ve Tartışma | İlgili bölüm kitaptan okunacak. |
| 14 | Öğrenci Çalışmaları Sunumu ve Tartışma | İlgili bölüm kitaptan okunacak. |
| Kaynak |
| I. Goodfellow, Y. Bengio and A. Courville,, Deep Learning, MIT Press, 2016. R. Szeliski, Computer Vision: Algorithms and Applications, Springer 2010 |
| R. C. Gonzalez and R. E. Woods, Digital Image Processing, 3rd edition, Prentice Hall, 2008.//// D. A. Forsyth and J. Ponce, Computer Vision: A Modern Approach, Prentice Hall, 2002.///// D. H. Ballard and C. M. Brown, Computer Vision, Prentice Hall, 1982. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |