EN
11111

DERS TANITIM BİLGİLERİ

dm.ieu.edu.tr

Dersin Adı
Kodu
Yarıyıl
Teori
(saat/hafta)
Uygulama/Lab
(saat/hafta)
Yerel Kredi
AKTS
Güz/Bahar
Ön-Koşul(lar)
Yok
Dersin Dili
Dersin Türü
Seçmeli
Dersin Düzeyi
-
Dersin Veriliş Şekli -
Dersin Öğretim Yöntem ve Teknikleri Problem çözme
Olgu / Vaka çalışması
Dersin Koordinatörü
Öğretim Eleman(lar)ı
Yardımcı(ları) -
Dersin Amacı
Öğrenme Çıktıları Bu dersi başarıyla tamamlayabilen öğrenciler;
  • Temel yapay sinir ağ modellerini tanımlayabilecek,
  • Yaygın kullanılan YSA modellerini ve öğrenme algoritmalarını belirli bir uygulama için kullanabilecek,
  • Eğiticili ve eğiticisiz öğrenme ile genelleme yeteneğinin ilkelerini açıklayabilecek,
  • Yapay sinir ağlarını gerçek sınıflandırma, örüntü tanıma, işaret işleme ve kontrol problemlerine uygularken pratik problemleri değerlendirebilecek,
  • MATLAB ve onun Yapay Sinir Ağ Aracını kullanarak temel YSA modellerini ve algoritmalarını gerçekleştirebilecektir.
Ders Tanımı

 



Dersin Kategorisi

 Temel Ders
Uzmanlık/Alan Dersleri
Destek Dersleri
X
İletişim ve Yönetim Becerileri Dersleri
Aktarılabilir Beceri Dersleri

 

HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI

Hafta Konular Ön Hazırlık
1 Biyolojik esinlenme. Yapay sinir ağları üzerine tarihsel notlar. Yapay sinir ağlarının uygulamaları. Yapay sinir ağ modellerinin ve öğrenme algoritmalarının bir sınıflaması. Introduction. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
2 Genel yapay sinir hücre modeli. Ayrıkdeğerli algılayıcı, eşik mantığı ve sınırları. Ayrıkzaman (dinamik) Hopfield ağları. Hebb kuralı. Bellek örüntü vektörlerinin dış çarpımı olarak başlantı ağırlık matrisi. Chapter 1. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
3 Eğiticili öğrenme. Algılayıcı öğrenme kuralı. Doğrusal uyarlanır eleman. Çıkış hatası minimizasyon problemi olarak eğiticili öğrenme. Minimizasyon için gradyendüşüm algoritması. En küçük kareler kuralı. Chapter 2. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
4 Tek katmanlı sürekli değerli algılayıcı. Doğrusal olmayan (sigmoidal) aktivasyon fonksiyonu. Delta kuralı. Grup ve veri tabanlı güncellenen gradyendüşüm algoritmaları. Deterministik ve stokastik gradyendüşüm algoritmalar için yakınsaklık koşulları. Chapter 3. Chapter 4: Sections 4.1, 4.2, 4.16. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
5 Evrensel yaklaşım makinesi olarak çok katmanlı algılayıcı. Fonksiyon gösterimleri ve yaklaşım problemi. Geriye yayılım algoritması. Yerel minimum problemi. Aşırı eğitim. Chapter 4: Sections 4.4, 4.5, 4.8, 4.10, 4.12. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
6 Yıliçi Sınavı I. Grup ve veri uyarlamalı eğitim biçimleri. Eğitim kümesine karşı test kümesi. Aşırı uyma problemi. Ağların eğitim ve testinde pratik konular. Çok katmanlı algılayıcıların işaret işleme ve örüntü tanıma uygulamaları. Chapter 4: Sections 4.3, 4.10., 4.11, 4.13, 4.14, 4.15, 4.19, 4.20. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
7 Radyal Taban Fonksiyonlu (RTF) ağlar. RTF ağlarının doğrusal ağırlıkları, Gauss merkezleri ve genişliklerini belirlemek için geriye yayılım algoritması. Merkezlerin rasgele seçimi. Gauss merkezlerinin ve genişliklerinin belirlenmesinde giriş öbekleme ve giriş çıkış öbeklemenin kıyaslanması. Düzenlileştirme kuramı, karma Gauss (koşullu olasılık yoğunluk fonksiyonu) ve yapay sinir tabanlı bulanık sistem modelleri ile RTF ağlarının ilişkileri. Chapter 5. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761 Lecture Notes.
8 Sınıflama için destek vektör makineleri. Çekirdek gösterimi. Genelleme yeteneği. Vapnik Chervonenkis boyutu. Destek vektör makineleri. Farklı çekirdek, kayıp (hata) fonksiyonu ve (ayrıştıran düzlem) yatıklığı için norm seçimlerinin karşılaştırılması. Chapter 6. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761 Lecture Notes.
9 Veri gösterimi için parametrik ve parametrik olmayan yöntemlerin kıyaslanması. Vektör nicemleme problemi olarak eğiticisiz öğrenme. Yarışmacı ağlar. “Kazanan her şeyi alır” ağı. Kohonen’in özdüzenlemeli öznitelik haritası. Öbekleme. Chapter 9. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
10 Sürekli zaman Hopfield Ağı. Hopfield ağının çokludenge noktalarının kararlılık analizi. Amaç ölçütü minimizasyonu için Hopfield ağları: Hopfield ağlarının Liapunov (enerji) tabanlı tasarımı. Çağrışımsal bellek. Gezgin satıcı problemi. Kombinatoryal optimizasyon. Chapter 13: Sections 13.1, 13.2, 13.3, 13.4, 13.5, 13.6, 13.7, S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
11 Yıliçi Sınavı II. Yapay sinir ağlarının işaret işleme uygulamaları. Temel bileşen analizi. Veri sıkıştırma ve indirgeme. Yapay sinir ağlarının görüntü ve 1 boyutlu işaret sıkıştırma ve dönüştürme uygulamaları. Chapter 8. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761
12 Yapay sinir ağlarının örüntü tanıma uygulamaları. Öznitelik çıkarımı için yapay sinir ağları. Doğrusal olmayan öznitelik dönüşümü. Veri kaynaştırma. Sınıflayıcı olarak yapay sinir ağları. Görüntü ve ses tanıma uygulamaları. Sections 1.4,1.5., 3.11, 4.7, 5.8, 6.7, S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
13 Yapay sinir ağlarının kontrol uygulamaları. Sistem tanılama için yapay sinir ağları. Kontrolör olarak yapay sinir ağları. Ters sistem tasarımı. Doğrudan ve dolaylı denetim yöntemleri. Uyarlanır kontrol. Chapter 15: Section 15.3. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
14 Yapay sinir ağ modelleri ve ilişkin öğrenme algoritmalarının işaret işleme, örüntü tanıma ve kontrol uygulamalarının MATLAB nümerik yazılım ortamında gerçeklenmesi. Lecture Notes.
15 Yapay sinir ağ modelleri, öğrenme algoritmaları ve uygulamalarının genel değerlendirmesi. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes.
16 Dönemin gözden geçirilmesi  
Ders Kitabı S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761
Önerilen Okumalar/Materyaller J. M. Zurada, Int. To Artificial Neural Systems, West Publishing Company, 1992 ISBN 053495460X, 9780534954604.

 

DEĞERLENDİRME ÖLÇÜTLERİ

Yarıyıl Aktiviteleri Sayı Katkı Payı %
Katılım
Laboratuvar / Uygulama
Arazi Çalışması
Küçük Sınav / Stüdyo Kritiği
Portfolyo
Ödev
5
20
Sunum / Jüri Önünde Sunum
Proje
1
30
Seminer/Çalıştay
Sözlü Sınav
Ara Sınav
2
50
Final Sınavı
Toplam

Yarıyıl İçi Aktivitelerin Başarı Notuna Katkısı
100
Yarıyıl Sonu Aktivitelerin Başarı Notuna Katkısı
Toplam

AKTS / İŞ YÜKÜ TABLOSU

Yarıyıl Aktiviteleri Sayı Süre (Saat) İş Yükü
Teorik Ders Saati
(Sınav haftası dahildir: 16 x teorik ders saati)
16
3
48
Laboratuvar / Uygulama Ders Saati
(Sınav haftası dahildir. 16 x uygulama/lab ders saati)
16
Sınıf Dışı Ders Çalışması
15
1
Arazi Çalışması
Küçük Sınav / Stüdyo Kritiği
Portfolyo
Ödev
5
3
Sunum / Jüri Önünde Sunum
Proje
1
24
Seminer/Çalıştay
Sözlü Sınav
Ara Sınavlar
2
9
Final Sınavı
    Toplam
120

 

DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ

#
 Program Yeterlilikleri / Çıktıları
* Katkı Düzeyi
1
2
3
4
5
1 Temel matematik, uygulamalı matematik ve istatistik kuramlarına ve uygulamalarına hakim olmak,
2 Matematik ve istatistik alanındaki edindiği ileri düzeydeki kuramsal ve uygulamalı bilgileri kullanabilmek,
3 Sorunları tanımlayabilmek, analiz edebilmek ve bilimsel yöntemlere dayalı çözüm üretebilmek,
4
Disiplinlerarası yaklaşımla, matematiği ve istatistiği gerçek yaşamda uygulayabilmek ve uygulama konusunda kendi potansiyellerini keşfedebilmek,		 X
5
Matematiğin kullanıldığı hemen her alanda, gerekli bilgileri edinebilmek ve modelleme yapabilmek ve kendini geliştirebilmek,		 X
6 Kurduğu modellere ve çözümlere eleştirel bakabilmek, yenileyebilmek,
7 Kuramsal ve teknik bilgilerini gerek detaylı olarak uzman kişilere, gerekse basit ve anlaşılır bir şekilde uzman olmayan kişilere rahatça aktarabilmek,
8

İngilizce’yi ve Avrupa Dil Portföyünden ikinci bir yabancı dili B1 Genel Düzeyinde etkin şekilde kullanabilmek ve bilgi birikimini güncel tutabilmek, yurtiçi ve yurtdışı meslektaşlarıyla rahat bir şekilde iletişim kurabilmek, periyodik litaretürü takip edebilmek,
9

Matematik ve istatistik alanlarında yaygın olarak kullanılan yazılımlara aşina olmak ve Avrupa Bilgisayar Kullanma Lisansı İleri Düzeyindeki ez az bir programı etkin şekilde kullanabilmek,

 X
10

Dahil olduğu projelerin tüm aşamalarında toplumsal, bilimsel ve etik değerlere uygun hareket edebilmek, toplumsal duyarlılık çerçevesinde proje geliştirip uygulayabilmek,
11 Evrensel anlamda birikimli ve duyarlı olarak tüm süreçleri etkin şekilde değerlendirebilmek ve kalite yönetimi konusunda yeterli bilince sahip olmak,
12

Soyut düşünce yapısına hakim olarak, somut olaylara bağlayabilmek ve çözümleri taşıyabilmek, deney tasarlayıp veri toplayarak bilimsel yöntemlerle sonuçları incelemek ve yorumlamak,
13

Edindiği bilgi, beceri ve yetkinlikleri hayat boyu yenileyebilmek, yaşam boyu öğrenme bilincine sahip olmak,
14

Matematik ve istatistik alanında edindiği bilgileri ortaöğretim seviyesine uyarlayarak aktarabilmek,
15

Matematik ve istatistik alanında bireysel veya ekip olarak bir çalışmayı sürdürmek, bağımsız çalışmanın ilgili tüm aşamalarında etkili olmak, karar verme sürecine katılmak, zamanı etkili kullanarak gerekli planlamayı yapmak ve yürütmek.

*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest

 

İzmir Ekonomi Üniversitesi | Sakarya Caddesi No:156, 35330 Balçova - İZMİR Tel: +90 232 279 25 25 | webmaster@ieu.edu.tr | YBS 2010