GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| FBIST7060 | Derin Öğrenme ve Uygulamaları | Ders | 1 | 2 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Yapay öğrenmenin bir alt dalı olan derin öğrenme yöntemleri etiketli veya etiketsiz verilerden yüksek seviye soyut modelleme yapabilmektedir. Son yıllarda donanım ve algoritmalardaki gelişmeler bu yöntemlerin büyük veri analizi, bilgisayarla görme ve doğal dil işleme konularında sık kullanılmasını sağlamıştır. Bu ders ile derin öğrenme yöntemlerinin popülerliğinin ardında yatan teorik ve pratik yönleri çalışılacaktır. Aynı zamanda pratik deneyim kazanılacaktır.
Dersi Veren Öğretim Görevlisi Görevlileri
Dr. Öğr. Üyesi Murat CANAYAZ
Öğrenme Çıktıları
| 1 | Makine öğrenmesi ve derin öğrenme konularında temel bilgilerin kazanımı. |
| 2 | Hızla değişen teknolojik çevreye adapte olabilmek için bilgi ve yetilerini sürekli geliştirmek |
| 3 | Yeni profesyonel uygulamalar ve yetileri yorumlamak için farkındalık geliştirmek |
| 4 | Derin öğrenme yöntemlerinin (bilgisayarla görme, doğal dil işleme ve büyük veri gibi) alanlara uygulanması için bilgi ve beceri kazanımı. |
| 5 | Derin öğrenme konularındaki son gelişmelere ilişkin literatür bilgisi kazanımı. |
Öğrenim Türü
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Makine Öğrenmesine Giriş, Makine Öğrenmesi Temelleri, Derin Öğrenme Araçları - Caffe, Torch, TensorFlow, Theano, Keras, İleri Beslemeli Derin Ağlar Derin veya Dağıtık Modellerin Tanıtılması, Derin Modellerde Eğitim için Optimizasyon, Dönüşümlü Ağlar, Bilgisayarlı Görü Uygulamaları, Büyük Veri Uygulamaları, Doğal Dil İşleme Uygulamaları
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Makine Öğrenmesine Giriş | ||
| 2 | Makine Öğrenmesi Temelleri | ||
| 3 | Derin Öğrenme Araçları - Caffe, Torch, TensorFlow, Theano, Keras | ||
| 4 | İleri Beslemeli Derin Ağlar | ||
| 5 | Derin veya Dağıtık Modellerin Tanıtılması | ||
| 6 | Derin Modellerde Eğitim için Optimizasyon | ||
| 7 | Dönüşümlü Ağlar | ||
| 8 | Ara Sınav | ||
| 9 | Bilgisayarlı Görü Uygulamaları | ||
| 10 | Büyük Veri Uygulamaları | ||
| 11 | Ses İşleme Uygulamaları | ||
| 12 | Keras ile Derin Öğrenme | ||
| 13 | Dönüşümlü Ağlar ile İmge Sınıflandırma | ||
| 14 | Alexnet, VGNET Dönüşümlü Ağlarının Tanıtımı | ||
| 15 | Güncel Yapay Öğrenme Uygulamaları | ||
| 16 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Deep Learning by Yoshua Bengio et al MIT Press, 2015 http://goodfeli.github.io/dlbook/
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 60 |
| Uygulama/Pratik | 1 | 40 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 3 | 3 |
| Final Sınavı | 1 | 3 | 3 |
| Derse Katılım | 15 | 4 | 60 |
| Uygulama/Pratik | 15 | 4 | 60 |
| Toplam İş Yükü (saat) | 126 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | |
| ÖÇ 1 | 4 | 5 | 5 | 4 | 5 | 5 | 5 |
| ÖÇ 2 | 5 | 4 | 5 | 4 | 5 | 4 | 5 |
| ÖÇ 3 | 5 | 3 | 4 | 5 | 3 | 5 | 5 |
| ÖÇ 4 | 5 | 3 | 3 | 4 | 5 | 5 | 5 |
| ÖÇ 5 | 3 | 5 | 5 | 5 | 5 | 3 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek