Bu derste derin öğrenmeye giriş sunulmaktadır. Derin öğrenme modern sinir ağlarının geliştirilmesi ve uygulanmasıyla ilgilenen bir makine öğrenme dalıdır. Derste işlenen konular: temel sinir ağları; evrişimsel ve özyineli ağ yapıları; derin güdümsüz öğrenme; bilgisayarla görü, görüntü işleme ve doğal dil işleme gibi alanlardaki uygulamalar. Ders hem güdümlü hem de güdümsüz öğrenme görevleri için eğitim ve eniyileme stratejilerini içerecektir.
Bu derste yapay zeka yardımcı pilot rolündedir. Aşağıdaki stratejileri kullanılacaktır:
Yapay Zeka Destekli Kodlama: Öğrencilerin, oluşturdukları her satırı açıklayabilmeleri ve belgeleyebilmeleri koşuluyla, GitHub Copilot veya ChatGPT gibi araçları kullanarak şablon kodlar oluşturmaları teşvik edilir.
Sokratik Yapay Zeka Eğitimi: Karmaşık kavramları basitleştirmek için öğrenme modellerini kullanmak (örneğin, "Geri yayılımı 5 yaşında bir çocuğa anlatır gibi açıklayın").
Yapay Zeka Tarafından Oluşturulan Sentetik Veriler: Model sağlamlığını test etmek için uç durum veri kümeleri oluşturmak üzere yapay zeka kullanmak.
Yapay Zeka Kırmızı Takım Testi: Yapay zeka tarafından oluşturulan kodu "halüsinasyonlar" veya mimari verimsizlikler açısından eleştirmek.
Course Content
Bu ders; Makine Öğrenme ve Sinir Ağlarına Giriş ,Sinir Ağlarının Eğitimi ,Evrişimsel Sinir Ağları (ESA) ,ESA'daki Ağ Katmanları ,Derin Öğrenme Donanım ve Yazılımları ,Derin Öğrenme Mimarileri ,Derin Öğrenme Stratejileri,Özyineli Sinir Ağları ve LSTM'ler ,Doğal Dil İşleme ve Derin Öğrenme ,Bilgisayarla Görü ve Derin Öğrenme ,Görüntü İşleme ve Derin Öğrenme ,Güdümsüz Öğrenme ve Üretici Modelleme ,Derin Öğrenmenin Gelişmiş Uygulamalar ,Proje Sunumları; konularını içermektedir.
Dersin Öğrenme Kazanımları
Teaching Methods
Assessment Methods
1. Yapay zekâ asistanlarını kullanarak farklı mimari avantaj ve dezavantajları karşılaştırır, denetimli ve denetimsiz öğrenme için Evrişimsel Sinir Ağları tasarlar.
12, 2, 21, 6, 9
A, E, F
2. Yapay zekâ destekli simülasyon araçlarını kullanarak hiper parametrelerin öğrenme performansı üzerindeki etkilerini analiz eder ve Kayıp Fonksiyonlarını görselleştirir.
12, 2, 21, 6, 9
F
3. Derin ağların eğitimi için gelişmiş öğrenme tekniklerini uygular ve Gradient sorunlarını gidermek için LLM'lerden yararlanır.
12, 2, 21, 6, 9
A, E, F
4. Yapay zekâ destekli kodlama yoluyla derin ağların bilgisayar görüşü, görüntü işleme ve doğal dil işleme alanlarındaki uygulamalarını hayata geçirir.
2, 21, 6, 9
E, F
5. Kod üretimi, dokümantasyon ve sentetik veri zenginleştirme için Üretken Yapay Zeka platformları da dahil olmak üzere, derin öğrenme için mevcut yazılım ve donanım araçlarını kullanır.
2, 21, 6, 9
E, F
Teaching Methods:
12: Problem Çözme Yöntemi, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi
Assessment Methods:
A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi
Course Outline
Order
Subjects
Preliminary Work
1
Makine Öğrenme ve Sinir Ağlarına Giriş
2
Sinir Ağlarının Eğitimi
3
Evrişimsel Sinir Ağları (ESA)
4
ESA'daki Ağ Katmanları
5
Derin Öğrenme Donanım ve Yazılımları
6
Derin Öğrenme Mimarileri
7
Derin Öğrenme Stratejileri
8
Özyineli Sinir Ağları ve LSTM'ler
9
Doğal Dil İşleme ve Derin Öğrenme
10
Bilgisayarla Görü ve Derin Öğrenme
11
Görüntü İşleme ve Derin Öğrenme
12
Güdümsüz Öğrenme ve Üretici Modelleme
13
Derin Öğrenmenin Gelişmiş Uygulamalar
14
Proje Sunumları
Resources
Deep Learning, I. Goodfellow, Y. Bengio and A. Courville , MIT Press, http://www.deeplearningbook.org , 2016.
Machine Learning, Andrew Ng, Intel® AI Academy Deep Learning 501 https://software.intel.com/en-us/ai-academy/students/kits/deep-learning-501
Course Contribution to Program Qualifications
Course Contribution to Program Qualifications
No
Program Qualification
Contribution Level
1
2
3
4
5
1
Temel bilimleri, matematik ve mühendislik bilimlerini üst düzeyde anlar ve uygular, alanında en son gelişmeler dahil olmak üzere genişlemesine ve derinlemesine bilgi sahibidir.
X
2
Mühendisliğin ilişkili olduğu disiplinler arası etkileşimi kavrar, yeni ve karmaşık fikirleri analiz, sentez ve değerlendirmede uzmanlık gerektiren bilgileri kullanarak özgün sonuçlara ulaşır.
X
3
Bir alanda en yeni bilgilere ulaşır ve bunları kavrayarak araştırma yapabilmek için gerekli yöntem ve becerilerde üst düzeyde yeterliğe sahiptir.
X
4
Bilime veya teknolojiye yenilik getiren, yeni bir bilimsel yöntem veya teknolojik ürün/süreç geliştiren ya da bilinen bir yöntemi yeni bir alana uygulayan kapsamlı bir çalışma yapar.
X
5
Akademik çalışmalarının çıktılarını saygın akademik ortamlarda yayınlayarak bilim ve teknoloji literatürüne katkıda bulunur.
6
Bilimsel, teknolojik, sosyal ve kültürel gelişmeleri değerlendirerek bilimsel tarafsızlık ve etik sorumluluk bilinciyle topluma aktarır.
7
Özgün bir araştırma sürecini bağımsız olarak algılar, tasarlar, uygular ve sonuçlandırır; bu süreci yönetir.
X
8
Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü C1 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır
X
9
Uzmanlık alanındaki fikirlerin ve gelişmelerin eleştirel analizini, sentezini ve değerlendirmesini yapar.
X
10
Mühendislik alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri tanıtır, yaşadığı toplumun bilgi toplumu olma ve bunu sürdürebilme sürecine katkıda bulunur ve toplumsal, bilimsel, kültürel ve etik değerlerin gelişimini destekler.
Assessment Methods
Contribution Level
Absolute Evaluation
Rate of Midterm Exam to Success
50
Rate of Final Exam to Success
50
Total
100
ECTS / Workload Table
Activities
Number of
Duration(Hour)
Total Workload(Hour)
Ders Saati
14
3
42
Rehberli Problem Çözme
0
0
0
Problem Çözümü / Ödev / Proje / Rapor Tanzimi
5
20
100
Okul Dışı Diğer Faaliyetler
14
3
42
Proje Sunumu / Seminer
1
20
20
Proje Sunumu / Seminer
0
0
0
Kısa Sınav (QUİZ) ve Hazırlığı
0
0
0
Ara Sınav ve Hazırlığı
0
0
0
Genel Sınav ve Hazırlığı
1
30
30
Performans Görevi, Bakım Planı
0
0
0
Total Workload(Hour)
234
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(234/30)
8
ECTS of the course: 30 hours of work is counted as 1 ECTS credit.
Detail Informations of the Course
Course Description
Course
Code
Semester
T+P (Hour)
Credit
ECTS
DERİN ÖĞRENMEDE GÜNCEL KONULAR
COED1212921
Bahar Dönemi
3+0
3
8
Course Program
Çarşamba 12:00-12:45
Çarşamba 12:45-13:30
Çarşamba 13:30-14:15
Prerequisites Courses
Recommended Elective Courses
Language of Course
İngilizce
Course Level
Doktora
Course Type
Programa Bağlı Seçmeli
Course Coordinator
Dr.Öğr.Üye. Ahmet KAPLAN
Name of Lecturer(s)
Dr.Öğr.Üye. Ahmet KAPLAN
Assistant(s)
Aim
Bu derste derin öğrenmeye giriş sunulmaktadır. Derin öğrenme modern sinir ağlarının geliştirilmesi ve uygulanmasıyla ilgilenen bir makine öğrenme dalıdır. Derste işlenen konular: temel sinir ağları; evrişimsel ve özyineli ağ yapıları; derin güdümsüz öğrenme; bilgisayarla görü, görüntü işleme ve doğal dil işleme gibi alanlardaki uygulamalar. Ders hem güdümlü hem de güdümsüz öğrenme görevleri için eğitim ve eniyileme stratejilerini içerecektir.
Bu derste yapay zeka yardımcı pilot rolündedir. Aşağıdaki stratejileri kullanılacaktır:
Yapay Zeka Destekli Kodlama: Öğrencilerin, oluşturdukları her satırı açıklayabilmeleri ve belgeleyebilmeleri koşuluyla, GitHub Copilot veya ChatGPT gibi araçları kullanarak şablon kodlar oluşturmaları teşvik edilir.
Sokratik Yapay Zeka Eğitimi: Karmaşık kavramları basitleştirmek için öğrenme modellerini kullanmak (örneğin, "Geri yayılımı 5 yaşında bir çocuğa anlatır gibi açıklayın").
Yapay Zeka Tarafından Oluşturulan Sentetik Veriler: Model sağlamlığını test etmek için uç durum veri kümeleri oluşturmak üzere yapay zeka kullanmak.
Yapay Zeka Kırmızı Takım Testi: Yapay zeka tarafından oluşturulan kodu "halüsinasyonlar" veya mimari verimsizlikler açısından eleştirmek.
Course Content
Bu ders; Makine Öğrenme ve Sinir Ağlarına Giriş ,Sinir Ağlarının Eğitimi ,Evrişimsel Sinir Ağları (ESA) ,ESA'daki Ağ Katmanları ,Derin Öğrenme Donanım ve Yazılımları ,Derin Öğrenme Mimarileri ,Derin Öğrenme Stratejileri,Özyineli Sinir Ağları ve LSTM'ler ,Doğal Dil İşleme ve Derin Öğrenme ,Bilgisayarla Görü ve Derin Öğrenme ,Görüntü İşleme ve Derin Öğrenme ,Güdümsüz Öğrenme ve Üretici Modelleme ,Derin Öğrenmenin Gelişmiş Uygulamalar ,Proje Sunumları; konularını içermektedir.
Dersin Öğrenme Kazanımları
Teaching Methods
Assessment Methods
1. Yapay zekâ asistanlarını kullanarak farklı mimari avantaj ve dezavantajları karşılaştırır, denetimli ve denetimsiz öğrenme için Evrişimsel Sinir Ağları tasarlar.
12, 2, 21, 6, 9
A, E, F
2. Yapay zekâ destekli simülasyon araçlarını kullanarak hiper parametrelerin öğrenme performansı üzerindeki etkilerini analiz eder ve Kayıp Fonksiyonlarını görselleştirir.
12, 2, 21, 6, 9
F
3. Derin ağların eğitimi için gelişmiş öğrenme tekniklerini uygular ve Gradient sorunlarını gidermek için LLM'lerden yararlanır.
12, 2, 21, 6, 9
A, E, F
4. Yapay zekâ destekli kodlama yoluyla derin ağların bilgisayar görüşü, görüntü işleme ve doğal dil işleme alanlarındaki uygulamalarını hayata geçirir.
2, 21, 6, 9
E, F
5. Kod üretimi, dokümantasyon ve sentetik veri zenginleştirme için Üretken Yapay Zeka platformları da dahil olmak üzere, derin öğrenme için mevcut yazılım ve donanım araçlarını kullanır.
2, 21, 6, 9
E, F
Teaching Methods:
12: Problem Çözme Yöntemi, 2: Proje Temelli Öğrenme Modeli, 21: Benzetim/Simülasyon Tekniği, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi
Assessment Methods:
A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi
Course Outline
Order
Subjects
Preliminary Work
1
Makine Öğrenme ve Sinir Ağlarına Giriş
2
Sinir Ağlarının Eğitimi
3
Evrişimsel Sinir Ağları (ESA)
4
ESA'daki Ağ Katmanları
5
Derin Öğrenme Donanım ve Yazılımları
6
Derin Öğrenme Mimarileri
7
Derin Öğrenme Stratejileri
8
Özyineli Sinir Ağları ve LSTM'ler
9
Doğal Dil İşleme ve Derin Öğrenme
10
Bilgisayarla Görü ve Derin Öğrenme
11
Görüntü İşleme ve Derin Öğrenme
12
Güdümsüz Öğrenme ve Üretici Modelleme
13
Derin Öğrenmenin Gelişmiş Uygulamalar
14
Proje Sunumları
Resources
Deep Learning, I. Goodfellow, Y. Bengio and A. Courville , MIT Press, http://www.deeplearningbook.org , 2016.
Machine Learning, Andrew Ng, Intel® AI Academy Deep Learning 501 https://software.intel.com/en-us/ai-academy/students/kits/deep-learning-501
Course Contribution to Program Qualifications
Course Contribution to Program Qualifications
No
Program Qualification
Contribution Level
1
2
3
4
5
1
Temel bilimleri, matematik ve mühendislik bilimlerini üst düzeyde anlar ve uygular, alanında en son gelişmeler dahil olmak üzere genişlemesine ve derinlemesine bilgi sahibidir.
X
2
Mühendisliğin ilişkili olduğu disiplinler arası etkileşimi kavrar, yeni ve karmaşık fikirleri analiz, sentez ve değerlendirmede uzmanlık gerektiren bilgileri kullanarak özgün sonuçlara ulaşır.
X
3
Bir alanda en yeni bilgilere ulaşır ve bunları kavrayarak araştırma yapabilmek için gerekli yöntem ve becerilerde üst düzeyde yeterliğe sahiptir.
X
4
Bilime veya teknolojiye yenilik getiren, yeni bir bilimsel yöntem veya teknolojik ürün/süreç geliştiren ya da bilinen bir yöntemi yeni bir alana uygulayan kapsamlı bir çalışma yapar.
X
5
Akademik çalışmalarının çıktılarını saygın akademik ortamlarda yayınlayarak bilim ve teknoloji literatürüne katkıda bulunur.
6
Bilimsel, teknolojik, sosyal ve kültürel gelişmeleri değerlendirerek bilimsel tarafsızlık ve etik sorumluluk bilinciyle topluma aktarır.
7
Özgün bir araştırma sürecini bağımsız olarak algılar, tasarlar, uygular ve sonuçlandırır; bu süreci yönetir.
X
8
Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü C1 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır
X
9
Uzmanlık alanındaki fikirlerin ve gelişmelerin eleştirel analizini, sentezini ve değerlendirmesini yapar.
X
10
Mühendislik alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri tanıtır, yaşadığı toplumun bilgi toplumu olma ve bunu sürdürebilme sürecine katkıda bulunur ve toplumsal, bilimsel, kültürel ve etik değerlerin gelişimini destekler.
