Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
İMALATTA YAPAY SİNİR AĞLARI	İkinci Düzey	ENM 519		1	7.50	7.50	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	-
Eğitimin Dili	Türkçe
Koordinatör	PROF. DR. SİNEM KULLUK
Dersi Veren Öğretim Eleman(lar)ı	PROF. DR. SİNEM KULLUK
Yardımcı Öğretim Eleman(lar)ı	-
Dersin Veriliş Şekli	Sınıf dersleri: Haftada üç saat teorik temeller ve örnekler, program üzerinde uygulamalar
Dersin Amacı	Yapay sinir ağlarına dayalı teknikleri öğretmek ve bunların pratik uygulamalarını göstermek. Yapay sinir ağlarının bilimdeki, mühendislikteki ve yapay zeka alanındaki önemini vurgulamak.
Dersin Tanımı	Yapay zeka ve makine öğrenme. Öğrenme paradigmalarının tanımı. Yapay sinir ağlarının tarihçesi ve temel kavramlar hakkında bilgi. Biyolojik sinir sistemi, yapay sinir hücresi hakkında bilgi. Yapay sinir ağlarında öğrenme, adaptif öğrenme ve test etme kavramları. Aktivasyon fonksiyonları. Yapay sinir ağlarının sınıflandırılması. Öğrenme kuralları ve öğrenme algoritmaları hakkında bilgi. Yapay sinir ağlarının tasarımı. İlk yapay sinir ağları. Çok katmanlı algılayıcılar. Doğrusal vektör parçalama. Adaptif rezonans teori ağları. Geri dönüşümlü ağlar. Diğer yapay sinir ağı modelleri. Birleşik yapay sinir ağları konularını içerir.

Dersin İçeriği

1	Yapay zeka ve makine öğrenme, öğrenme paradigmaları
2	YSA tarihçesi ve temel kavramlar, YSA özellikleri, avantaj ve dezavantajları, uygulama alanları
3	Biyolojik sinir sistemi, yapay sinir hücresi
4	Yapay sinir ağlarında öğrenme, adaptif öğrenme, test etme. Aktivasyon fonksiyonları
5	Yapay sinir ağlarının sınıflandırılması. Öğrenme kuralları ve öğrenme algoritmaları.
6	Yapay sinir ağlarının tasarımı
7	İlk yapay sinir ağları: Tek katmanlı algılayıcılar, basit algılayıcı modeli, ADALINE, MADALINE.
8	ARA SINAV
9	Çok katmanlı algılayıcılar
10	Doğrusal vektör parçalama (LVQ) modeli
11	Adaptif rezonans teori (ART) ağları
12	Geri dönüşümlü ağlar: Elman ağı, Jordan ağı, Hopfield ağı
13	Diğer YSA modelleri: Counterpropagation ağı, Cognitron ağı, Neocognitron ağı, Özörgütlemeli harita ağları (SOM)
14	Birleşik yapay sinir ağları
15	Proje Sunumları
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Kuramsal ve uygulamalı bilgileri Yapay sinir ağları alanındaki mühendislik problemlerinin modellenmesinde ve çözümünde uygulayabilme
2	Yapay sinir ağlarının oluşturulmasında karşılaşılan karmaşık mühendislik problemlerini uygun analiz ve modelleme yöntemlerini seçerek saptayabilme, tanımlayabilme, formüle edebilme ve çözebilme
3	Yapay sinir ağlarının öğrenme işlemi sırasında karşılaşılan karmaşık bir sistemi, süreci, gerçekçi kısıtlar ve koşullar altında modern tasarım yöntemlerini uygulayarak tasarlayabilme
4	Bilişim teknolojilerinden etkin bir biçimde faydalanarak sayısal işaret işleme uygulamaları için modern teknik ve araçları geliştirebilme, seçebilme ve kullanabilme
5	Yapay sinir ağları alanındaki mühendislik problemlerinin incelenmesi için veri toplayabilme ve sonuçları analiz ederek yorumlayabilme
6	İleri düzey ve birleşik (hibrit) YSA mimarilerini literatürdeki güncel yaklaşımlarla karşılaştırarak karmaşık problemler için özgün çözüm önerileri geliştirme ve sunma becerisi.
7
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi

1	seçilen derslerle ilgili ayrıntılı bilgi sahibi olunmaktadır.
2	Mezunlar Uzman Ünvanı elde etmektedir.
3	Mesleklerine olumlu katkı sağlamaktadır.
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder

Planlanan Öğretim Faaliyetleri, Öğretme Metodları ve AKTS İş Yükü

	Sayısı	Süresi (saat)	Sayı*Süre (saat)
Yüz yüze eğitim	13	3	39
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	13	2	26
Ödevler	0	0	0
Sunum / Seminer hazırlama	1	10	10
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	1	20	20
Ara sınavlar	1	2	2
Proje (Yarıyıl ödevi)	1	40	40
Laboratuvar	0	0	0
Arazi çalışması	1	15	15
Yarıyıl sonu sınavına hazırlık	1	20	20
Yarıyıl sonu sınavı	1	2	2
Araştırma	1	10	10
Toplam iş yükü			184
AKTS			7.50

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	40
Kısa sınav	0	0
Ödev	0	0
Yarıyıl içi toplam		40
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		40
Yarıyıl sonu sınavının başarıya katkı oranı		60
Genel toplam		100

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Ders notları
Yardımcı Kaynaklar	Haykin, S. S. (2009). Neural Networks and Learning Machines. Pearson.

Ders İle İlgili Dosyalar