Ana içeriğe atla

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY SİNİR AĞLARI-Güz Dönemi3+036
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Mehmet KOCATÜRK
Dersi VerenlerDr.Öğr.Üye. Mehmet KOCATÜRK
Dersin Yardımcıları
Dersin AmacıBu dersin amacı hesaplamalı nöron modellerinin makine öğrenmesinde ve sinir sistem bileşenlerinin modellenmesinde kullanımını değerlendirmektir.
Dersin İçeriğiBu ders; Sinir Sistemi: Mikroskopik Görünüm,Sinir Sistemi: Makroskopik Görünüm,Makine Öğrenmesi,Algılayıcı,Çok katmanlı algılayıcı,Gözetimli Öğrenme,Geri Yayılım Algoritması,Çevrimiçi Öğrenme,Yığın Öğrenme,Aşırı uyum,Desen Sınıflandırma için Sinir Ağları,Bağlanımda Sinir Ağları,Nöromodülasyon,Pekiştirmeli Öğrenme; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Tek katmanlı algılayıcı tasarlar.10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Çevrimiçi öğrenme algoritması gerçekler. 10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Çok katmanlı algılayıcı kullanarak sınıflandırıcılar geliştirebilir. 10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Regresyon için çok katmanlı sinir ağları tasarlar. 10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Öğretim Yöntemleri:10: Tartışma Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 3: Probleme Dayalı Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi

Ders Akışı

SıraKonularÖn Hazırlık
1Sinir Sistemi: Mikroskopik Görünüm
2Sinir Sistemi: Makroskopik Görünüm
3Makine Öğrenmesi
4Algılayıcı
5Çok katmanlı algılayıcı
6Gözetimli Öğrenme
7Geri Yayılım Algoritması
8Çevrimiçi Öğrenme
9Yığın Öğrenme
10Aşırı uyum
11Desen Sınıflandırma için Sinir Ağları
12Bağlanımda Sinir Ağları
13Nöromodülasyon
14Pekiştirmeli Öğrenme
Kaynak
Alpaydin, E., (2010) Introduction to machine learning, MIT Press,Cambridge. Kandel, E. R., Schwartz, J. H., Jessell, T. M., Siegelbaum, S. A., Hudspeth, A. J. , (2012) Principles of neural science, McGraw-Hill, New York.
Lytton, W. W., (2002) From computer to brain : foundations of computational neuroscience, Springer, 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
1. Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi
X
2
2. Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi
X
3
3. Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi
X
4
4. Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi
X
5
5. Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi
X
6
6. Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi
X
7
7. Sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi
X
8
8. Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi
X
9
9. Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi
X
10
10. Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi
X
11
11. Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 30
Genel Sınavın Başarıya Oranı 70
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Saati14342
Rehberli Problem Çözme000
Problem Çözümü / Ödev / Proje / Rapor Tanzimi51575
Okul Dışı Diğer Faaliyetler000
Proje Sunumu / Seminer12020
Kısa Sınav (QUİZ) ve Hazırlığı000
Ara Sınav ve Hazırlığı15050
Genel Sınav ve Hazırlığı000
Performans Görevi, Bakım Planı000
Toplam İş Yükü (Saat)187
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(187/30)6
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Dersin Detaylı Bilgileri

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
YAPAY SİNİR AĞLARI-Güz Dönemi3+036
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin KoordinatörüDr.Öğr.Üye. Mehmet KOCATÜRK
Dersi VerenlerDr.Öğr.Üye. Mehmet KOCATÜRK
Dersin Yardımcıları
Dersin AmacıBu dersin amacı hesaplamalı nöron modellerinin makine öğrenmesinde ve sinir sistem bileşenlerinin modellenmesinde kullanımını değerlendirmektir.
Dersin İçeriğiBu ders; Sinir Sistemi: Mikroskopik Görünüm,Sinir Sistemi: Makroskopik Görünüm,Makine Öğrenmesi,Algılayıcı,Çok katmanlı algılayıcı,Gözetimli Öğrenme,Geri Yayılım Algoritması,Çevrimiçi Öğrenme,Yığın Öğrenme,Aşırı uyum,Desen Sınıflandırma için Sinir Ağları,Bağlanımda Sinir Ağları,Nöromodülasyon,Pekiştirmeli Öğrenme; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Tek katmanlı algılayıcı tasarlar.10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Çevrimiçi öğrenme algoritması gerçekler. 10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Çok katmanlı algılayıcı kullanarak sınıflandırıcılar geliştirebilir. 10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Regresyon için çok katmanlı sinir ağları tasarlar. 10, 14, 16, 19, 2, 21, 3, 6, 8, 9A, E, F
Öğretim Yöntemleri:10: Tartışma Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 3: Probleme Dayalı Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi
Ölçme Yöntemleri:A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi

Ders Akışı

SıraKonularÖn Hazırlık
1Sinir Sistemi: Mikroskopik Görünüm
2Sinir Sistemi: Makroskopik Görünüm
3Makine Öğrenmesi
4Algılayıcı
5Çok katmanlı algılayıcı
6Gözetimli Öğrenme
7Geri Yayılım Algoritması
8Çevrimiçi Öğrenme
9Yığın Öğrenme
10Aşırı uyum
11Desen Sınıflandırma için Sinir Ağları
12Bağlanımda Sinir Ağları
13Nöromodülasyon
14Pekiştirmeli Öğrenme
Kaynak
Alpaydin, E., (2010) Introduction to machine learning, MIT Press,Cambridge. Kandel, E. R., Schwartz, J. H., Jessell, T. M., Siegelbaum, S. A., Hudspeth, A. J. , (2012) Principles of neural science, McGraw-Hill, New York.
Lytton, W. W., (2002) From computer to brain : foundations of computational neuroscience, Springer, 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
1. Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi
X
2
2. Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi
X
3
3. Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi
X
4
4. Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi
X
5
5. Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi
X
6
6. Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi
X
7
7. Sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi
X
8
8. Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi
X
9
9. Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi
X
10
10. Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi
X
11
11. Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 30
Genel Sınavın Başarıya Oranı 70
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Ekleme Tarihi: 06/07/2022 - 16:45Son Güncelleme Tarihi: 09/10/2023 - 10:50