|
|
| IST4024 | Yapay Sinir Ağları | 4+0+0 | AKTS:6 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Seçmeli | | Bölümü | İSTATİSTİK ve BİLGİSAYAR BİLİMLERİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 4 saat teorik | | Öğretim Üyesi | Prof. Dr. Orhan KESEMEN | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu derste, Yapay Sinir Ağlarının (YSA'nın) yaygın kullanım bulan model ve algoritmaları verilecektir. Dersin içeriği temel sinir hücre modeli, algılayıcı, uyarlanır doğrusal eleman, en küçük kareler algoritması, Çok Katmanlı Algılayıcı (ÇKA), Geriye Yayılım (GY) öğrenme algoritması, Radyal Tabanlı Fonksiyon (RTF) ağları, kendi kendini düzenleyen ağ, vektör nicemlemeyi öğrenen ağ; Destek Vektör Makineleri (DVM), Sürekli zaman ve ayrık zaman Hopfield ağları, sınıflandırma teknikleri, örüntü tanıma, işaret işleme ve kontrol uygulamaları. |
| Öğrenim Kazanımları | BPKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Temel yapay sinir ağ modellerini tanımlayabilecek, | 5,9 | 1, | | ÖK - 2 : | Yaygın kullanılan YSA modellerini ve öğrenme algoritmalarını belirli bir uygulama için kullanabilecek, | 5,9 | 1, | | ÖK - 3 : | Eğiticili ve eğiticisiz öğrenme ile genelleme yeteneğinin ilkelerini açıklayabilecek, | 5,9 | 1, | | ÖK - 4 : | Yapay sinir ağlarını gerçek sınıflandırma, örüntü tanıma, işaret işleme ve kontrol problemlerine uygularken pratik problemleri değerlendirebilecek, | 5,9 | 1, | | ÖK - 5 : | MATLAB ve onun Yapay Sinir Ağ Aracını kullanarak temel YSA modellerini ve algoritmalarını gerçekleştirebilecektir. | 5,9 | 1, | | BPKK :Bölüm program kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Ders, temel yapay sinir ağları modelleri ve öğrenme algoritmalarını, algılayıcı YSA modellerini, LMS algoritmasını, geriyayılım öğrenme algoritmasını, radyal tabanlı fonksiyon ağlarını, destek vektör makinelerini, Kohonen?in kendini düzenleyen ağını, Hopfield ağlarını, yapay sinir ağlarının işaret işleme, örüntü tanıma ve kontrol uygulamalarını içermektedir. |
| |
| Haftalık Detaylı Ders İçeriği | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Biyolojik esinlenme. Yapay sinir ağları üzerine tarihsel notlar. Yapay sinir ağlarının uygulamaları. Yapay sinir ağ modellerinin ve öğrenme algoritmalarının bir sınıflaması. | | | Hafta 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. | | | Hafta 3 | Eğiticili öğrenme. Algılayıcı öğrenme kuralı. Doğrusal uyarlanır eleman. Çıkış hatası minimizasyon problemi olarak eğiticili öğrenme. Minimizasyon için gradyendüşüm algoritması. En küçük kareler kuralı. | | | Hafta 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. | | | Hafta 5 | Evrensel yaklaşım makinesi olarak çok katmanlı algılayıcı. Fonksiyon gösterimleri ve yaklaşım problemi. Geriye yayılım algoritması. Yerel minimum problemi. Aşırı eğitim. | | | Hafta 6 | 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. | | | Hafta 7 | Radyal Taban Fonksiyonlu (RTF) ağlar. RTF ağlarının doğrusal ağırlıkları, Gauss merkezleri ve genişliklerini belirlemek için geriye yayılım algoritması. Merkezlerin rastgele 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. | | | Hafta 8 | 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. | | | Hafta 9 | Arasınav | | | Hafta 10 | 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. | | | Hafta 11 | 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. | | | Hafta 12 | Yapay sinir ağ modelleri ve ilişkin öğrenme algoritmalarının işaret işleme, örüntü tanıma ve kontrol uygulamalarının MATLAB nümerik yazılım ortamında gerçeklenmesi. | | | Hafta 13 | Yapay sinir ağ modelleri ve ilişkin öğrenme algoritmalarının işaret işleme, örüntü tanıma ve kontrol uygulamalarının MATLAB nümerik yazılım ortamında gerçeklenmesi. | | | Hafta 14 | Yapay sinir ağ modelleri, öğrenme algoritmaları ve uygulamalarının genel değerlendirmesi. | | | Hafta 15 | Yapay sinir ağ modelleri, öğrenme algoritmaları ve uygulamalarının genel değerlendirmesi. | | | Hafta 16 | Dönem Sonu Sınavı | | | |
| 1 | Eğrioğlu, Erol; Yolcu Ufuk; Baş Eren; 2020; Yapay Sinir Ağları | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | 23/11/2021 | 2 | 50 | | Dönem sonu sınavı | 16 | 18/01/2022 | 2 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 4 | 14 | 56 | | Sınıf dışı çalışma | 3 | 14 | 42 | | Arasınav için hazırlık | 10 | 1 | 10 | | Arasınav | 2 | 1 | 2 | | Dönem sonu sınavı için hazırlık | 17 | 1 | 17 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 129 |
|