|
|
| TBB5224 | Introduction to Deep Learning | 2+2+0 | AKTS:7.5 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Yüksek Lisans(Tezli) | | Yazılım Şekli | Seçmeli | | Bölümü | BİYOİSTATİSTİK ve TIP BİLİŞİMİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 2 saat teorik ve 2 saat uygulama | | Öğretim Üyesi | -- | | Diğer Öğretim Üyesi | | | Öğretim Dili | İngilizce | | Staj | Yok | | | | Dersin Amacı: | | Makine öğreniminin bir kolu olan Derin Öğrenme, bilgisayarların deneyimlerinden yüksek seviyeli soyutlamaları modellemesine olanak tanır (büyük ölçekli etiketli ve etiketsiz verilere kodlanmış). Bilgisayar donanımı ve algoritmalarındaki son gelişmeler onu yapay zeka için popüler bir araç yapmıştır. Bu ders, öğrencilere Derin Öğrenme yaklaşımı hakkında bilgi ve uygulama becerisi kazandırmayı amaçlamaktadır. |
| Program Kazanımları | BPKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | PK - 1 : | Makine öğrenimi ve derin öğrenme yöntemleri hakkında temel bilgiler. | | | | PK - 2 : | Bilgisayarla görme, doğal dil işleme ve büyük veri gibi çeşitli alanlarda derin öğrenme yöntemlerini uygulama konusunda bilgi ve deneyim. | | | | PK - 3 : | Derin öğrenmede son gelişmelere odaklanan literature bilgisi. | | | | 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 | | |
| Makine öğrenmesi, derin öğrenme yöntemleri, derin ağlar, dönüşümlü ağlar, derin modellerde eğitim için optimizasyon, yinelemeli ağlar ve derin öğrenme yaklaşımı örnek uygulamalar |
| |
| Haftalık Detaylı Ders İçeriği | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Makine Öğrenmeye Giriş | | | Hafta 2 | Makine Öğrenme Temelleri | | | Hafta 3 | Derin Öğrenme Araçları | | | Hafta 4 | Feedforward Derin Ağlar | | | Hafta 5 | Derin veya Dağıtık Modellerin Regülerizasyonu | | | Hafta 6 | Derin Modellerde Eğitim için Optimizasyon | | | Hafta 7 | Ara Sınav | | | Hafta 8 | Dönüşümlü Ağlar | | | Hafta 9 | Sıra Modellemesi: Tekrarlayan ve Yinelemeli Ağlar | | | Hafta 10 | Derin Öğrenme için Yapısal Olasılık Modelleri | | | Hafta 11 | Doğrusal Faktör Modelleri ve Otomatik Kodlayıcılar | | | Hafta 12 | Bilgisayarla Görme Uygulaması | | | Hafta 13 | Doğal Dil İşleme Uygulaması | | | Hafta 14 | Büyük Verilerde Uygulama | | | Hafta 15 | Büyük Verilerde Uygulama | | | Hafta 16 | Final sınavı | | | |
| 1 | Ian Goodfellow, Yoshua Bengio,2016,Deep Learning,MIT Press | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Yıl içi çalışma | 6 | | 1 | 20 | | Kısa sınav | 7 | | 1 | 30 | | Ödev | 15 | | 1 | 10 | | Dönem sonu sınavı | 16 | | 2 | 40 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 4 | 14 | 56 | | Sınıf dışı çalışma | 5 | 14 | 70 | | Arasınav için hazırlık | 2 | 6 | 12 | | Arasınav | 2 | 1 | 2 | | Ödev | 3 | 14 | 42 | | Dönem sonu sınavı için hazırlık | 2 | 16 | 32 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 216 |
|