|
|
| YZLM5190 | Beynin Hesaplama İlkeleri | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Yüksek Lisans(Tezli) | | Yazılım Şekli | Seçmeli | | Bölümü | YAZILIM MÜHENDİSLİĞİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Dr. Öğr. Üyesi Eyüp GEDİKLİ | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu ders Hesaplamalı Sinirbilime ve ayrıca ilgili mühendislik disiplinlerine (beyin sistemlerinin simülasyonu, nöromorfik mühendislik) bir giriş sağlar. |
| Program Kazanımları | BPKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | PK - 1 : | İnsanın öğrenme becerisini yorumlayabilir | 1,4 | | | PK - 2 : | Yapay sinir sistemleri modelleyebilir | 1,4 | | | 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),PK : Öğrenim Kazanımı | | |
| Hodgkin-Huxley Modeli, Dendritler ve Sinapslar, Boyutsallık Azaltma ve Faz Düzlemi Analizi, Doğrusal Olmayan Entegre ve Ani Vurum Modelleri, Adaptasyon Modelleri, Sinir Kodlarının Değişkenliği, Gürültülü Girdi Modelleri: Gürültülü Çıktı: Kaçış Hızı ve Yumuşak Eşik, Tahmini Stokastik Nöron modelleri ile Kodlama ve Kod Çözme, Nöronal Popülasyonlar, Süreklilik Denklemi ve Fokker-Planck Yaklaşımı, İntegral Denklem Yaklaşımı, Hızlı Geçişler ve Hız Modelleri, Rekabetçi Nüfuslar ve Karar Verme, Bellek ve Çekme Dinamiği, Algılama için Kortikal Alan Modelleri , Sinaptik Plastisite ve Öğrenme, Plastik Ağlarda Dinamik |
| |
| Haftalık Detaylı Ders İçeriği | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Nöronal Dinamiklerin Temelleri; Giriş, Hodgkin-Huxley Modeli | | | Hafta 2 | Foundations of Neuronal Dynamics; Dendrites and Synapses, Dimensionality Reduction and Phase Plane Analysis | | | Hafta 3 | Genelleştirilmiş Entegre ve Uyarma Nöronları; Doğrusal Olmayan Bütünleşik ve Uyarma Modelleri, Uyarlama ve Ateşleme Kalıpları | | | Hafta 4 | Genelleştirilmiş Entegre ve Uyarma Nöronları; Ani vurum katarları ve Sinir Kodları Değişkenliği | | | Hafta 5 | Genelleştirilmiş Entegre ve Uyarma Nöronları; Gürültülü Giriş Modelleri: Varış Barajı, Gürültülü Çıkış: Kaçış Hızı ve Yumuşak Eşik | | | Hafta 6 | Genelleştirilmiş Entegre ve Uyarma Nöronları; Stokastik Nöron modelleri ile Tahmin Modelleri, Kodlama ve Kod Çözme | | | Hafta 7 | Nöron Ağları ve Nüfus Aktivitesi; Nöronal Popülasyonlar | | | Hafta 8 | Nöron Ağları ve Nüfus Aktivitesi; Süreklilik Denklemi ve Fokker-Planck Yaklaşımı | | | Hafta 9 | Arasınav | | | Hafta 10 | Nöronlar ve Populasyon Aktivitesinin İşleri; İntegral Denklem Yaklaşımı, Hızlı Geçişler ve Hız Modelleri | | | Hafta 11 | Bilişin Dinamiği; Rekabet Eden Nüfuslar ve Karar Verme | | | Hafta 12 | Bilişin Dinamiği; Bellek ve Çekme Dinamiği | | | Hafta 13 | Bilişin Dinamiği; Algı için Kortikal Alan Modelleri | | | Hafta 14 | Bilişin Dinamiği; Sinaptik Plastisite ve Öğrenme | | | Hafta 15 | Bilişin Dinamiği; Outlook: Plastik Ağlarda Dinamikler | | | Hafta 16 | Dönem Sonu Sınavı | | | |
| 1 | Wulfram Gerstner, Werner M. Kistler, Richard Naud and Liam Paninski. Neuronal Dynamics. From single neurons to networks and models of cognition. Available online | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Yıl içi çalışma | 9 | 01.04.2022 | 2 | 50 | | Dönem sonu sınavı | 15
16 | 01.05.2022 | 2 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 8 | 14 | 112 | | Arasınav için hazırlık | 5 | 1 | 5 | | Arasınav | 2 | 1 | 2 | | Dönem sonu sınavı için hazırlık | 10 | 2 | 20 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 183 |
|