GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BVA706 | YAPAY SİNİR AĞLARI | Seçmeli Ders Grubu | 2 | 3 | 4,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu ders, öğrencilere yapay sinir ağları (YSA) ve derin öğrenme kavramlarını tanıtmayı amaçlar. Ders Python ve Google Colab üzerinde uygulanacak ve temel sinir ağı modelleri, ileri beslemeli ağlar, optimizasyon ve uygulamalar üzerinde yoğunlaşacaktır. Dersin amacı, öğrencilerin yapay sinir ağlarının teorik temellerini anlamalarını, Python ile modeller geliştirmelerini ve uygulamalı projeler ile deneyim kazanmalarını sağlamaktır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Öğr. Gör. H. Hazel Aras
Öğrenme Çıktıları
| 1 | Yapay sinir ağları temel kavramlarını tanımlar |
| 2 | Python ve Colab ile ileri beslemeli ağlar uygular. |
| 3 | Aktivasyon ve kayıp fonksiyonlarını kullanır. |
| 4 | CNN ve RNN modellerini uygular ve analiz eder. |
| 5 | Mini projeler ile derin öğrenme uygulamaları geliştirir. |
| 6 | Takım çalışması ve proje yönetimi becerilerini kullanır. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Ders İçin Önerilen Diğer Hususlar
Ders sırasında öğrencilerin Google Colab üzerinde Python ile çalışmaları önerilir. Keras, TensorFlow ve PyTorch kütüphaneleri kullanılacaktır. Mini projeler ve uygulamalı örnekler ile pekiştirme yapılmalıdır.
Dersin İçeriği
Yapay sinir ağları temel kavramları, ileri beslemeli ağlar, aktivasyon fonksiyonları, kayıp fonksiyonları, optimizasyon yöntemleri, geri yayılım algoritması, düzenleme teknikleri, konvolüsyonel sinir ağları (CNN), rekürsif sinir ağları (RNN), Python ve Colab uygulamaları.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Uygulama | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|---|
| 1 | Ders tanıtımı ve yapay sinir ağına giriş. | Google Colab kurulumu ve Python ortamı. | Anlatım ve örnekler. | Python ve Colab temel notlarını gözden geçirme. |
| 2 | Perceptron ve ileri beslemeli ağlar. | Basit perceptron uygulamaları. | Kodlama. | Perceptron teorisini inceleme. |
| 3 | Aktivasyon fonksiyonları. | Sigmoid, ReLU, Tanh örnekleri. | Kodlama. | Aktivasyon fonksiyonlarını gözden geçirme. |
| 4 | Kayıp fonksiyonları ve optimizasyon. | MSE, Cross-Entropy, Gradient Descent. | Kodlama. | Kayıp fonksiyonu notlarını inceleme. |
| 5 | Geri yayılım algoritması. | Basit örneklerle geri yayılım. | Kodlama. | Backpropagation teorisini inceleme. |
| 6 | Düzenleme teknikleri. | Dropout, L2, L1. | Kodlama. | Düzenleme tekniklerini gözden geçirme. |
| 7 | İleri beslemeli ağların Python uygulamaları. | Basit veri setleri üzerinde model geliştirme. | Kodlama. | Veri setlerini inceleme. |
| 8 | Konvolüsyonel sinir ağları (CNN). | CNN yapısı ve basit örnekler. | Kodlama. | CNN teorisini gözden geçirme. |
| 9 | CNN ile görüntü sınıflandırma. | MNIST veya CIFAR-10 örnekleri. | Kodlama. | Veri setlerini inceleme. |
| 10 | Rekürsif sinir ağları (RNN). | RNN yapısı ve basit örnekler. | Kodlama. | RNN teorisini inceleme. |
| 11 | LSTM ve GRU ağları. | Zaman serisi veya metin verisi uygulamaları. | Kodlama. | Önceki modelleri gözden geçirme. |
| 12 | Derin öğrenme projeleri. | Veri seti seçimi ve ön işleme. | Grup çalışması. | Proje planlaması. |
| 13 | Proje geliştirme ve değerlendirme. | Model kurma ve sonuç analizi. | Kodlama ve grup çalışması. | Önceki algoritmaları tekrar gözden geçirme. |
| 14 | Proje sunumları ve geri bildirim. | Sunumlar ve sınıf içi tartışma. | Sunum ve tartışma. | Sunum materyallerini hazırlama. |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 50 |
| Quiz | 1 | 25 |
| Laboratuvar Ara Sınavı | 1 | 25 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 50 |
| Quiz | 1 | 10 |
| Proje Sunma | 1 | 40 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 50 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 50 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Quiz | 10 | 1 | 10 |
| Derse Katılım | 14 | 2 | 28 |
| Derse Katılım (Uygulama) | 14 | 1 | 14 |
| Proje Sunma | 1 | 1 | 1 |
| Proje Tasarımı /Yönetimi | 5 | 2 | 10 |
| Ara Sınav İçin Bireysel Çalışma | 7 | 2 | 14 |
| Final Sınavı içiin Bireysel Çalışma | 7 | 2 | 14 |
| Laboratuvar Ara Sınavı | 1 | 1 | 1 |
| Quiz için Bireysel Çalışma | 10 | 1 | 10 |
| Toplam İş Yükü (saat) | 104 | ||
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 | |
| ÖÇ 1 | 5 | 5 | |||||||||||||
| ÖÇ 2 | 5 | 5 | 5 | ||||||||||||
| ÖÇ 3 | 5 | 5 | 5 | ||||||||||||
| ÖÇ 4 | 5 | 5 | 5 | 5 | |||||||||||
| ÖÇ 5 | 5 | 5 | 5 | 5 | 5 | ||||||||||
| ÖÇ 6 | 5 | 5 | 5 | 5 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek