Ders Detayı
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
DERİN ÖĞRENME VE UYGULAMALARI | İEVY1212892 | 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 | |||
1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | X | |||||
2 | Bilişim ve yönetim alanında gerekli ileri düzeyde matematiksel ve istatistiki yöntemleri anlatır. | X | |||||
3 | Enformatik, yönetim ve büyük veri ile ilgili gerekli en az bir bilgisayar programı veya teknolojiyi kullanır. | X | |||||
4 | Bilişim projeleri hazırlar ve takım çalışmalarını yönetir. | ||||||
5 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | X | |||||
6 | Büyük verileri analiz için hazırlar. | X | |||||
7 | Alana özgü bilimsel tez, rapor, makale ve benzerlerini yazar. | X | |||||
8 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | X | |||||
9 | Alanının ilişkili olduğu disiplinler arası etkileşimi açıklar. | X |
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 | İEVY1212892 | 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 | |||
1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | X | |||||
2 | Bilişim ve yönetim alanında gerekli ileri düzeyde matematiksel ve istatistiki yöntemleri anlatır. | X | |||||
3 | Enformatik, yönetim ve büyük veri ile ilgili gerekli en az bir bilgisayar programı veya teknolojiyi kullanır. | X | |||||
4 | Bilişim projeleri hazırlar ve takım çalışmalarını yönetir. | ||||||
5 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | X | |||||
6 | Büyük verileri analiz için hazırlar. | X | |||||
7 | Alana özgü bilimsel tez, rapor, makale ve benzerlerini yazar. | X | |||||
8 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | X | |||||
9 | Alanının ilişkili olduğu disiplinler arası etkileşimi açıklar. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |