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