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 çözmeOlgu / Vaka çalışması | |||||
Dersin Koordinatörü | ||||||
Öğretim Eleman(lar)ı | ||||||
Yardımcı(ları) | - |
Dersin Amacı | |
Öğrenme Çıktıları | Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Ders Tanımı |
| Temel Ders | |
Uzmanlık/Alan Dersleri | ||
Destek Dersleri | X | |
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
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. |
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 |
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 |
# | 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