Dersin Adı Dersin Seviyesi Dersin Kodu Dersin Tipi Dersin Dönemi Yerel Kredi AKTS Kredisi Ders Bilgileri
YAPAY SİNİR AĞLARI İkinci Düzey ENM 532 Seçmeli 1 7.50 7.50 Yazdır
   
Dersin Tanımı
Ön Koşul Dersleri -
Eğitimin Dili Türkçe
Koordinatör PROF. DR. BANU SOYLU
Dersi Veren Öğretim Eleman(lar)ı PROF. DR. BANU SOYLU
Yardımcı Öğretim Eleman(lar)ı -
Dersin Veriliş Şekli Sınıf veya bilgisayar laboratuvarı
Dersin Amacı Bu dersin amacı yapay öğrenme tekniklerinden biri olan yapay sinir ağlarının çalışma prensiplerini öğrenmek, yapay sinir ağlarını eğitebilmek ve uygulamalar yapmaktır
Dersin Tanımı Yapay Sinir Ağı mimarisinin oluşturulması ve bu mimarinin elemanlarının çalışma prensibinin kavranması. Güncel yapay sinir ağı mimarilerinin incelenmesi ve Python vb. programlama dilleri kullanılarak uygulamalar yapılmasıdır.

Dersin İçeriği
1 Öğrenme süreci. Yapay sinir ağı nedir?
2 Öğrenme yöntemleri (learning algorithms)
3 Regresyon kullanarak model oluşturma
4 Perceptron kavramı, tek katmanlı algılayıcılar, basit algılayıcı modeli, ADALINE, MADALINE.
5 Yapay sinir ağları ile eğitme ve modelleme
6 Geriye yayılma algoritması (Backpropogation algorithm)
7 YSA kodlama uygulamaları
8 Derin öğrenme (Deep learning)
9 Vize
10 Convolutional yapay sinir ağları (CNN)
11 Recurrent yapay sinir ağları ve long-short term memory (LSTM) ağları
12 Yapay sinir ağları ile eğitme ve modelleme: Danışmansız eğitim (Unsupervised learning), self organizing map (SOM)
13 Yapay sinir ağları ile eğitme ve modelleme: Yarı danışmanlı eğitim (Semi-spervised learning)
14 Auto-encoder
15 Proje teslimi
16
17
18
19
20

Dersin Öğrenme Çıktıları
1 Bu dersi başarı ile tamamlayan öğrencilerin yapay öğrenme konusunda bilgi sahibi olması, bir eğitim veri seti üzerinde bir yapay sinir ağı oluşturabilmesi ve Matlab, Python, R vb. programlama dillerini kullanarak uygulama yapabilme becerilerinin artması beklenmektedir.
2 Öğrencilerin ileri araştırmalarda kullanılan YSA modellerini kavrayabilme yeteneklerinin artması beklenmektedir.
3 Öğrencilerin supervised, unsupervised ve semi-supervised learning kavramları arasındaki farkı anlayabilme becerilerinin artması beklenmektedir
4 Öğrencilerin YSA mimarisi kurma ve test etme becerilerinin artması beklenmektedir.
5 öğrencilerin bir eğitim veri seti üzerinde bir yapay sinir ağı oluşturabilmesi ve Matlab, Python, R vb. programlama dillerini kullanarak uygulama yapabilme becerilerinin artması beklenmektedir.
6 Öğrencilerin ileri araştırmalarda kullanılan YSA modellerini kavrayabilme yeteneklerinin artması beklenmektedir.
7
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi
1 Endüstri mühendisliği alanında ileri düzeyde kuramsal ve uygulamalı bilgiye sahip olarak, bu bilgileri disiplinler arası bağlamda bütünleştirip karmaşık mühendislik problemlerinin çözümünde etkin ve eleştirel bir yaklaşımla kullanabilme.
2 Karmaşık ve belirsizlik içeren endüstri mühendisliği problemlerini ileri matematiksel, istatistiksel ve optimizasyon temelli yöntemlerle modelleyebilme, çözümleyebilme ve alternatif çözüm yaklaşımlarını karşılaştırmalı olarak değerlendirebilme.
3 Alanıyla ilgili ulusal ve uluslararası bilimsel literatürü sistematik ve eleştirel bir bakış açısıyla inceleyebilme, elde edilen bilgileri sentezleyerek yeni bakış açıları geliştirebilme.
4 Gerçek hayat sistemlerini analitik modelleme, simülasyon ve veri analitiği teknikleri kullanarak temsil edebilme, elde edilen sonuçları yorumlayarak karar verme süreçlerine bilimsel katkı sağlayabilme.
5 Endüstri mühendisliği alanına yönelik bir problemi bilimsel araştırma yöntemlerine uygun biçimde tanımlayabilme, araştırma tasarlayabilme, veri toplayabilme, analiz edebilme ve sonuçları bilimsel olarak yorumlayabilme.
6 Farklı disiplinlerden uzmanlarla birlikte çok disiplinli takımlarda etkin rol alabilme, sistem yaklaşımı çerçevesinde karmaşık problemlerin çözümüne katkı sunabilme.
7 Alanıyla ilgili bir çalışmayı bağımsız olarak planlayabilme, yürütebilme ve sonuçlandırabilme, bu süreçte bilimsel etik ilkelere ve kalite standartlarına uygun hareket edebilme.
8 Elde ettiği bulguları bilimsel raporlar, teknik dokümanlar ve sözlü sunumlar aracılığıyla açık, sistematik ve etkili bir şekilde ifade edebilme.
9 Gerçekleştirdiği araştırma sonuçlarını ulusal ve/veya uluslararası bilimsel platformlarda sunabilme, akademik yayın haline getirebilme ve bilimsel tartışmalara katkı sağlayabilme.
10 Alanında kullanılan modern mühendislik araçlarını, yazılımları ve veri analitiği tekniklerini ileri düzeyde kullanabilme ve bu araçları problem çözüm süreçlerine entegre edebilme.
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 3 39
Ödevler 1 10 10
Sunum / Seminer hazırlama 0 0 0
Kısa sınavlar 0 0 0
Ara sınavlara hazırlık 1 20 20
Ara sınavlar 1 3 3
Proje (Yarıyıl ödevi) 1 35 35
Laboratuvar 1 3 3
Arazi çalışması 0 0 0
Yarıyıl sonu sınavına hazırlık 1 20 20
Yarıyıl sonu sınavı 1 3 3
Araştırma 1 10 10
Toplam iş yükü     182
AKTS     7.50

Değerlendirme yöntemleri ve kriterler
Yarıyıl içi değerlendirme Sayısı Katkı Yüzdesi
Ara sınav 1 20
Kısa sınav 0 0
Ödev 1 20
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 -

Ders İle İlgili Dosyalar