|
BIL5050 | Artificial Neural Systems | 3+0+0 | AKTS:7.5 | Yıl / Yarıyıl | Bahar Dönemi | Ders Duzeyi | Yüksek Lisans(Tezli) | Yazılım Şekli | Seçmeli | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI | Ön Koşul | Yok | Eğitim Sistemi | Yüz yüze | Dersin Süresi | 14 hafta - haftada 3 saat teorik | Öğretim Üyesi | -- | Diğer Öğretim Üyesi | Yok | Öğretim Dili | İngilizce | Staj | Yok | | Dersin Amacı: | Yapays sinir sistemleri konusunda bilgi vermek |
Öğrenim Kazanımları | PÖKK | ÖY | Bu dersi başarı ile tamamlayan öğrenciler : | | | ÖK - 1 : | Yapay Sinir sistemleri (YSS) modellerini ve yapılarını tanıyabilir. | 1,4,5,8,9,10,15 | 1,3 | ÖK - 2 : | İleri beslemeli YSS' lerin yapısı ve eğitimi hakkında bilgi kazanabilir. | 1,4,5,8,15 | 1,3 | ÖK - 3 : | Geri beslemeli YSS' lerin yapısı ve eğitimi hakkında bilgi kazanabilir. | 1,3,5,8,13,15 | 1,3 | ÖK - 4 : | Çok katmanlı YSS 'lerin çalışmasını ve eğitimini inceleyebilir. | 1,3,4,5,8,9,14,15 | 1,3 | ÖK - 5 : | Çağrışımlı belleklerin çalışmasını ve eğitimini kavrayabilir. | 1,3,5,8,15 | 1,3 | ÖK - 6 : | Evrişimsel Sinir Ağları tasarımı ve uygulamaları | | | PÖKK :Program öğrenim 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 | |
Yapay sinir sistemlerin (YSS) temel kavramları ve modelleri; Yapay sinir öğrenme kuralları. Tek-katmanlı perceptron sınıflayıcılar. Çok-katmanlı ileri beslemeli ağlar. Tek-Katmalı Geri beslemeli Ağlar, Çağrışımlı bellekler. Evrişimsel Sinir Ağları : Mimarisi, Evrişimsel/Boyut indirgeme katmanları; Ağ modelleri : Alexet, VGGNET, ResNet, DarkNet, DenseNet; Tekrarlayan Sinir Ağları- RNN, Uzun Kısa Süreli Hafıza Sinir Ağları. |
|
Haftalık Detaylı Ders Planı | Hafta | Detaylı İçerik | Önerilen Kaynak | Hafta 1 | ANS'lerin temel kavramları ve modelleri: Biyolojik sinirler, ANS modelleri, Sinirsel süreçleme, Öğrenme ve uyum. | | Hafta 2 | Sinir ağı öğrenme kuralları. Tek katmanlı sinir sınıflayıcılar: Sınıflama modeli, özellik, ve karar bölgeleri, | | Hafta 3 | Ayırtaç fonksiyonları, Doğrusal makine ve minimum uzaklık sınıflayıcı, | | Hafta 4 | Parametrik olmayan eğitim kavramı. Lineer olarak ayrılabilen sınıflamalar için tek katmanlı sürekli perceptron ağlar. Örnekler | | Hafta 5 | Çok katmanlı ileri beslemeli ağlar: Lineer olarak ayrılamayan patern sınıflama, Çok sinirli katman için delta öğrenme kuralı, İleri beslemeli geri çağırma ve hata geri iletimli eğitim | | Hafta 6 | Öğrenme faktörleri | | Hafta 7 | Sınıflama ve uzman katmanlı ağlar - | | Hafta 8 | Tek katmanlı geri beslemeli ağlar: Dinamik sistemlerin temel kavramları, Ayrık zamanlı Hopfield ağların matematiksel temelleri, Sürekli zamanlı ağların geçiş cevabı | | Hafta 9 | Ara Sınav | | Hafta 10 | Tek katmanlı geri beslemeli ağlarda relakzasyon modelleme, Optimizasyon problemlerinin örnek çözümleri | | Hafta 11 | Çağrışımlı bellekler | | Hafta 12 | Evrişimsel Sinir Ağları : Mimarileri Evrişimsel/Boyut İndirgeme Katmanları | | Hafta 13 | Uygulama Çalışmları : Case Studies : AlexNet, VGGNet, ResNet, DenseNet | | Hafta 14 | Darknet-YoloV3-V4 Mimarisi ve C/C++ platformunda uygulama | | Hafta 15 | Tekrarlı Yenilemeli ve Uzun Kısa Süreli Hafıza Sinir Ağları | | Hafta 16 | Dönem sonu sınavı | | |
1 | Jacek M. Zurada, Artificial Neural Systems, West Publishing Company | | |
1 | Simon Haykin, Neural Networks and Learrning Machines, Pearson International Edition | | 2 | Mohamad H. Hassoun, Fundamentals of Artificial Neural Networks, The MIT Press | | |
Ölçme Yöntemi | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | Proje | 15 | 25012021 | 10 | 50 | Dönem sonu sınavı | 16 | 17/01/2021 | 2.0 | 50 | |
Öğrenci Çalışma Yükü | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | Yüz yüze eğitim | 3 | 14 | 42 | Sınıf dışı çalışma | 3 | 14 | 42 | Arasınav için hazırlık | 4 | 1 | 4 | Arasınav | 2 | 1 | 2 | Proje | 25 | 1 | 25 | Dönem sonu sınavı için hazırlık | 5 | 1 | 5 | Dönem sonu sınavı | 2 | 1 | 2 | Toplam Çalışma Yükü | | | 122 |
|