|
SEC 415 | Yapay Sinir Ağları | 3+0+0 | AKTS:5 | Yıl / Yarıyıl | Güz Dönemi | Ders Duzeyi | Lisans | Yazılım Şekli | Seçmeli | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ | Ön Koşul | Yok | Eğitim Sistemi | Yüz yüze | Dersin Süresi | 14 hafta - haftada 3 saat teorik | Öğretim Üyesi | -- | Diğer Öğretim Üyesi | Yok | Öğretim Dili | Türkçe | Staj | Yok | | Dersin Amacı: | Yapay sinir ağlarının temellerini öğretmektir. Yapay sinir ağları matematiksel modeli kurulamayan ama giriş çıkış davranışı bilinen sistemlerin donanımsal veya yazılımsal olarak gerçeklenmesine imkan sağlar. İnsanlarda olduğu gibi, bazı işleri matematik kullanmadan da eğitimle yürütmenin mümkün olabileceğini göstermektir. |
Öğrenim Kazanımları | BPKK | ÖY | Bu dersi başarı ile tamamlayan öğrenciler : | | | ÖK - 1 : | Yapay Sinir Ağ (YSA) modellerini ve yapılarını tanıyabilir. | 1,3,4,5,8 | 1, 3 | ÖK - 2 : | İleri beslemeli YSA'ların yapısı ve eğitimi hakkında bilgi kazanabilir. | 1,3,4,5,8 | 1, 3 | ÖK - 3 : | Geri beslemeli YSA'ların yapısı ve eğitimi hakkında bilgi kazanabilir. | 1,3,4,5,8 | 1, 3 | ÖK - 4 : | Çok katmanlı YSA'ların çalışmasını ve eğitimini inceleyebilir. | 1,3,4,5,8 | 1, 3 | 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 | |
Yapay sinir sistemleri: Sinirsel hesaplama, ANS'lerin gelişim tarihi. ANS'lerin temel kavramları ve modelleri: Biyolojik sinirler, ANS modelleri, Sinirsel süreçleme, öğrenme ve uyum, sinirağı öğrenme kuralları.Tek-katmanlı sinir sınıflayıcılar. Çok katmanlı ileri beslemeli ağlar. Tek-katmanlı geri beslemeli ağlar. Çağrışımlı bellekler. Eşleyen ve kendinden-organizeli ağlar. Sinir algoritmaları ve sistemlerinin uygulamaları. Sinir ağlarının gerçeklenmesi. |
|
Haftalık Detaylı Ders İçeriği | Hafta | Detaylı İçerik | Önerilen Kaynak | Hafta 1 | Yapay sinir Ağları (YSA):Sinirsel hesaplama,YSA'lerin gelişim tarihi | | Hafta 2 | ANS'lerin temel kavramları ve modelleri: Biyolojik sinirler, ANS modelleri, Sinirsel süreçleme, Öğrenme ve uyum. | | Hafta 3 | Sinir ağı öğrenme kuralları. Tek katmanlı sinir sınıflayıcılar: Sınıflama modeli, ozellikler, ve karar bölgeleri, Ayırım fonksiyonları, Lineer makina 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 geribeslemeli ağlarda relakzasyon modelleme, Optimizasyon problemlerinin örnek çözümleri | | Hafta 11 | Çağrışımlı bellekler | | Hafta 12 | Çağrışımlı bellekler | | Hafta 13 | Eşleyen ve kendinden organizeli ağlar | | Hafta 14 | Eşleyen ve kendinden organizeli ağlar | | Hafta 15 | Sinir algoritmaları ve sistemlerinin uygulamaları | | Hafta 16 | Dönem sonu sınavı | | |
1 | Zurada, M., J., 1992, Introduction to Artificial Neural Systems, West Publishing Company, 825 p. | | |
1 | Cichocki, A., Unbehauen, R., 1993, Neural Networks for Optization and Signal Processing, John Wiley, 526 p. | | |
Ölçme Yöntemi | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | Arasınav | 9 | 13/10/2012 | 2 | 30 | Proje | 15 | 29/12/2012 | 2 | 20 | Dönem sonu sınavı | 16 | 05/01/2013 | 2 | 50 | |
Öğrenci Çalışma Yükü | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | Yüz yüze eğitim | 3 | 14 | 42 | Sınıf dışı çalışma | 1 | 14 | 14 | Arasınav için hazırlık | 10 | 1 | 10 | Arasınav | 2 | 1 | 2 | Kısa sınav | 2 | 1 | 2 | Dönem sonu sınavı için hazırlık | 11 | 1 | 11 | Dönem sonu sınavı | 2 | 1 | 2 | Toplam Çalışma Yükü | | | 83 |
|