| Veri Bilimi (YL) (Tezli) (İngilizce) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu: | DATS5005 | ||||
| Ders İsmi: | Derin Öğrenme | ||||
| Ders Yarıyılı: | Güz | ||||
| Ders Kredileri: |
|
||||
| Öğretim Dili: | İngilizce | ||||
| Ders Koşulu: | |||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
| Dersin Türü: | Bölüm/Program Seçmeli | ||||
| Dersin Seviyesi: |
|
||||
| Dersin Veriliş Şekli: | E-Öğrenme | ||||
| Dersin Koordinatörü: | Araş. Gör. KAZIM TİMUÇİN UTKAN | ||||
| Dersi Veren(ler): | |||||
| 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) | Kurs Tanıtımı - Derin Öğrenmeye genel bakış ve tarihçesi. | - |
| 2) | Matematiksel Temeller - Lineer Cebir, Kalkülüs ve Olasılık Teorisi. | - |
| 3) | Temel Sinir Ağları - Perceptronlar, MLP'ler ve İleri Beslemeli Ağlar. | - |
| 4) | Geriye Yayılım - Gradyan İnişi, Stokastik Gradyan İnişi ve Varyantları. | - |
| 5) | Optimizasyon ve Düzenlileştirme Teknikleri - Overfitting, Dropout ve Batch Normalization. | - |
| 6) | Derin İleri Beslemeli Ağlar Derin İleri Beslemeli Ağlar - Aktivasyon Fonksiyonları, Ağırlık Başlatma ve Sorun Giderme. | - |
| 7) | Mimari, Havuzlama Katmanları ve Görüntü Tanımada Vaka Çalışmaları. | - |
| 8) | Ara Sınav. | - |
| 9) | RNN'ler ve LSTM'ler - Zaman İçinde Açılım, Bellek Mekanizmaları ve Uygulamalar. | - |
| 10) | Gömüler ve Diziden Diziye Modeller - Kelime Gömüleri ve Kodlayıcı-Kod Çözücü Mimarisi. | |
| 11) | Transfer Öğrenme ve İnce Ayar - Önceden Eğitilmiş Modeller ve Yeni Görevlere Adaptasyon. | |
| 12) | GAN'lar - Üretken Modeller, Mimari Yenilikler ve Eğitim Stratejileri. | |
| 13) | Takviyeli Öğrenmenin Temelleri - Markov Karar Süreçleri, Q-Öğrenme ve Politika Gradyanları. | |
| 14) | Dikkat Mekanizmaları ve Dönüştürücüler - RNN'lerden Öz-Dikkat ve Ötesine. | |
| 15) | Etik Hususlar ve Derin Öğrenmenin Geleceği - Önyargı, Adillik ve Yorumlanabilirlik. | |
| 16) | Final Sınavı. | - |
| Ders Notları / Kitaplar: | Deep Learning with Python |
| Diğer Kaynaklar: | Deep Learning with Python |
| 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 | 2 | 3 | 3 | 3 |
| 2) Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 2 | 3 | 2 | 3 | 2 |
| 3) Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 2 | 2 | 2 | 2 | 2 |
| 4) Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 2 | 2 | 2 | 2 | 3 |
| 5) Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 3 | 3 | 2 | 3 | 2 |
| 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. | 2 |
| 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 | 3 |
| 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 | İş Yükü |
| Ders Saati | 14 | 42 |
| Ara Sınavlar | 8 | 29 |
| Final | 8 | 78 |
| Toplam İş Yükü | 149 | |