GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| FBYZR7051 | Derin Öğrenme I | Ders | 1 | 1 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu ders, öğrencilere derin öğrenmenin kuramsal temellerini ve formel hesaplama ilkelerini aktararak; evrişimli sinir ağları (CNN) ve çekişmeli üretici ağlar (GAN) dâhil olmak üzere modern yapay sinir ağı mimarilerinin tasarımı, optimizasyonu ve analitik değerlendirilmesine yönelik metodolojik yetkinlik kazandırmayı amaçlar. Katılımcılar, özgün görüntü işleme problemleri üzerinde deneysel çalışmalar yürüterek, kuramsal kavrayışlarını uygulamalı araştırma pratiğiyle bütünleştirir ve bilimsel raporlama becerilerini geliştirir.
Dersi Veren Öğretim Görevlisi Görevlileri
Dr. Öğr. Üyesi Fatih KUTLU
Öğrenme Çıktıları
| 1 | Derin öğrenmenin matematiksel ve algoritmik temellerini (ileri/geri yayılım, kayıp fonksiyonları) açıklar ve teoriyle pratiği ilişkilendirir. |
| 2 | Evrişimli sinir ağlarının (CNN) yapı taşlarını—konvolüsyon, havuzlama, aktivasyon—hem kavramsal hem de kod düzeyinde uygular. |
| 3 | Modern CNN mimarilerini (AlexNet, VGG, ResNet, DenseNet, Inception, NiN) analiz eder ve karşılaştırır. |
| 4 | Çekişmeli üretici ağ(GAN) tasarla ve stabilize edici teknikleri (WGAN, Spectral Norm) uygular. |
| 5 | Overfitting/underfitting sorunlarını tanır, dropout, batch normalization ve optimizasyon algoritmaları (SGD, Adam) ile model genelleştirmesini iyileştirir. |
| 6 | Derin öğrenme modellerinin performansını uygun metriklerle (accuracy, loss, IS, FID) değerlendirir, sonuçları görselleştirir ve yorumlar. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Doğrusal Sinir Ağları: Tam Bağlantılı Katmanlar ve Kare Kayıp’nın Matematiksel İncelemesi Softmax Regresyon: Çapraz Entropi Türevi ve Çok Sınıflı Sınıflandırma Kuramı Çok Katmanlı Algılayıcılar (MLP): Mimari Tasarım, Aşırı Öğrenme Önleme ve Dropout İleri / Geri Yayılım Algoritmaları: Gradyan Hesaplaması ve Zincir Kuralı’nın Teorik Temeli Parametre Yönetimi ve Ağırlık İlklendirme: Optimum Başlatma Stratejileri ve Öğrenme Dinamiği Evrişimli Sinir Ağlarına Giriş: Evrişim Operatörü, Havuzlama ve Aktivasyon Fonksiyonları Modern Evrişimli Ağ Mimarileri: AlexNet, VGG, ResNet, DenseNet, Inception ve NiN Karşılaştırması Çekişmeli Üreteç Ağlara (GAN) Giriş: DCGAN ve Minimax Çerçevesi Çekişmeli Üreteç Ağlar – İleri Konular: WGAN, Spektral Norm ve Koşullu ÇÜA Tasarımları Çekişmeli Üreteç Ağlar – Uygulamalar: Stil Transferi, Süper Çözünürlük ve Kalite Metrikleri (IS, FID)
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Doğrusal Sinir Ağları: Tam Bağlantılı Katmanlar ve Kare Kayıp | ||
| 2 | Softmax Regresyon: Çapraz Entropi ve Çok Sınıflı Sınıflandırma | ||
| 3 | Çok Katmanlı Algılayıcılar I: Mimari Yapı ve Aktivasyon Fonksiyonları | ||
| 4 | Çok Katmanlı Algılayıcılar II: Geri Yayılım ve Model Düzenleme | ||
| 5 | Derin Öğrenme Hesaplamaları I: Hesaplama Grafikleri ve Otomatik Türev Alma | ||
| 6 | Derin Öğrenme Hesaplamaları II: Parametre Yönetimi ve Verimlilik Artırma | ||
| 7 | Evrişimli Sinir Ağları I: Evrişim Operatörü ve Receptive‑Field Hesaplamaları | ||
| 8 | Evrişimli Sinir Ağları II: Havuzlama Teknikleri ve Aktivasyon Mekanizmaları, Arasınav | ||
| 9 | Modern CNN Mimarileri (AlexNet, VGG, ResNet, DenseNet, Inception, NiN) | ||
| 10 | Modern CNN Mimarileri (AlexNet, VGG, ResNet, DenseNet, Inception, NiN) ve Arasınav | ||
| 11 | Çekişmeli Üreteç Ağlar I: DCGAN Teorisi ve Minimax Prensibi | ||
| 12 | Çekişmeli Üreteç Ağlar II: DCGAN, WGAN, Conditional GAN | ||
| 13 | Çekişmeli Üreteç Ağlar III: Stil Transfer, Süper-Çözünürlük | ||
| 14 | Çekişmeli Üreteç Ağlar IV: Değerlendirme Metrikleri (Inception Score, FID) ve Gelecek Yönelimler | ||
| 15 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2020). Dive into Deep Learning. Cambridge University Press. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Chollet, F. (2018). Deep Learning with Python. Manning.
Planlanan Öğrenme Aktiviteleri ve Metodları
Yok
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| 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 | 2 | 2 |
| Final Sınavı | 1 | 3 | 3 |
| Derse Katılım | 14 | 3 | 42 |
| Bireysel Çalışma | 14 | 4 | 56 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 10 | 10 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 10 | 10 |
| Toplam İş Yükü (saat) | 123 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | |
| ÖÇ 1 | 4 | 5 | 4 | 4 | 4 | 3 | 4 | 5 | 5 | 3 | 5 | 3 | 3 | 5 | 5 | 4 |
| ÖÇ 2 | 4 | 5 | 4 | 4 | 5 | 2 | 2 | 5 | 3 | 5 | 5 | 3 | 3 | 5 | 2 | 5 |
| ÖÇ 3 | 5 | 4 | 5 | 3 | 4 | 2 | 3 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 4 | 5 | 5 | 4 | 3 | 4 | 2 | 5 | 4 | 5 | 4 | 5 | 3 | 3 | 4 | 4 | 5 |
| ÖÇ 5 | 5 | 3 | 4 | 3 | 3 | 2 | 4 | 5 | 3 | 4 | 4 | 3 | 3 | 5 | 4 | 5 |
| ÖÇ 6 | 4 | 4 | 5 | 3 | 5 | 2 | 5 | 4 | 5 | 3 | 2 | 4 | 3 | 4 | 4 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek