| Veri Bilimi (YL) (Tezli) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu: | VB5004 | ||||
| Ders İsmi: | Derin Öğrenme | ||||
| Ders Yarıyılı: | Güz | ||||
| Ders Kredileri: |
|
||||
| Öğretim Dili: | Türkçe | ||||
| Ders Koşulu: | |||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
| Dersin Türü: | Bölüm/Program Seçmeli | ||||
| Dersin Seviyesi: |
|
||||
| Dersin Veriliş Şekli: | E-Öğrenme | ||||
| Dersin Koordinatörü: | Doç. Dr. ŞEBNEM ÖZDEMİR | ||||
| Dersi Veren(ler): |
Dr. Öğr. Üy. YASİN KIRELLİ |
||||
| Dersin Yardımcıları: |
| Dersin Amacı: | Bu derin öğrenme dersinin temel amacı, derin öğrenme teorisi ve algoritmalarının yanı sıra pratik uygulamaları konusunda öğrencilere ileri düzeyde bilgi ve beceri kazandırmaktır. Derin öğrenmenin matematiksel alt yapısı, farklı derin öğrenme modelleri, ağ mimarileri ve bu modellerin gerçek dünya problemlerine nasıl uygulanabileceği hakkında kapsamlı bir anlayış geliştirmeyi hedeflemekteyiz. Ayrıca, mezun olduğunda öğrencilerin akademik ya da endüstriyel problemleri analiz edebilme ve kararlı derin öğrenme çözümleri üretebilme kapasitesine sahip olmaları beklenmektedir. |
| Dersin İçeriği: | 1. Derin öğrenmenin matematiksel temelleri ve temel kavramları. 2. Çok katmanlı algılayıcılar, hiperparametre optimizasyonu, ve ileri besleme ağları. 3. Konvolüsyonel sinir ağları ve görüntü işleme üzerine uygulamaları. 4. Geriye yayılım algoritması, optimizasyon yöntemleri ve ağırlandırma güncellemeleri. 5. Uzun Kısa Süreli Bellek (LSTM) ve tekrarlayan sinir ağları (RNNs); dizi verileri üzerine çalışmalar. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) - Derin öğrenme teorilerini ve temel kavramlarını açıklama yeteneği kazanma. 2) - Derin ağ mimarilerini oluşturabilme ve eğitebilme kapasitesi edinme. 3) Gelişmiş derin öğrenme algoritmalarını gerçek dünya veri setleri üzerinde uygulayabilme becerisi geliştirme. 4) - Derin öğrenme modellerinin performansını analiz etme ve iyileştirme yeteneği kazanma. 5) - Farklı problemlere uygun derin öğrenme modelleri geliştirme ve uygulama bilgisine sahip olma. |
| Hafta | Konu | Ön Hazırlık |
| 1) | Derin öğrenme ve yapay sinir ağlarının temel kavramlarına giriş. | |
| 2) | Derin öğrenmenin matematiksel ve istatistiksel temelleri. | |
| 3) | Çok katmanlı algılayıcıların yapılandırılması ve eğitimi. | |
| 4) | İleri besleme ağları ve aktivasyon fonksiyonları. | |
| 4) | İleri besleme ağları ve aktivasyon fonksiyonları. | |
| 5) | Geriye yayılım ve farklı optimizasyon algoritmaları. | |
| 6) | Hiperparametre ayarlaması ve aşırı uyumdan kaçınma yöntemleri. | |
| 7) | Convolutional Neural Networks (CNN) mimarileri ve uygulamaları. | |
| 8) | Vize sınavı | |
| 9) | CNN ağ mimarilerinin ileri düzey konseptleri ve incelemesi. | |
| 10) | RNN ve LSTM ağ yapılarına giriş. | |
| 11) | Dizi verilerin işlenmesi ve dili işleme uygulamaları. | |
| 12) | Derin öğrenmede dikkat mekanizmaları ve uygulamaları. | |
| 13) | Otomatik kod çözücüler (Autoencoders) ve üretici adversarial ağlar (GANs). | |
| 14) | Derin takviyeli öğrenme (Deep Reinforcement Learning). | |
| 15) | Derin öğrenme modellerinin etik ve yasal boyutları. | |
| 16) | Final Sınavı |
| Ders Notları / Kitaplar: | 1. Goodfellow, I., Bengio, Y., ve Courville, A. (2016). Deep Learning. MIT Press. 2. Chollet, F. (2018). Deep Learning with Python. Manning Publications. |
| Diğer Kaynaklar: | 1. LeCun, Y., Bengio, Y., ve Hinton, G. (2015). Deep learning. Nature, 521(7553), 436. 2. Krizhevsky, A., Sutskever, I., ve Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. NIPS. |
| Course Learning Outcomes | 1 |
2 |
3 |
4 |
5 |
|---|---|---|---|---|---|
| Program Kazanımları | |||||
| 1) Bu programı başarıyla tamamlayan öğrenciler, Veri biliminin teknik uygulamalarının kapsamını ve kullanılabilecek araçları bilir. | 3 | 3 | 3 | 3 | 2 |
| 2) Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 2 | 2 | 3 | 2 | 3 |
| 3) Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 2 | 3 | 2 | 3 | 3 |
| 4) Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 3 | 2 | 2 | 2 | 2 |
| 5) Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 2 | 2 | 3 | 3 | 3 |
| Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Bu programı başarıyla tamamlayan öğrenciler, Veri biliminin teknik uygulamalarının kapsamını ve kullanılabilecek araçları bilir. | 2 |
| 2) | Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 3 |
| 3) | Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 3 |
| 4) | Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 2 |
| 5) | Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 2 |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ara Sınavlar | 1 | % 40 |
| Final | 1 | % 60 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 40 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 60 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Aktiviteye Hazırlık | Aktivitede Harçanan Süre | Aktivite Gereksinimi İçin Süre | İş Yükü | ||
| Ara Sınavlar | 1 | 60 | 1 | 61 | |||
| Final | 1 | 80 | 1 | 81 | |||
| Toplam İş Yükü | 142 | ||||||