Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
YAPAY SİNİR AĞLARI VE MÜHENDİSLİKTEKİ UYGULAMALARI	Üçüncü Düzey	İNŞ 583		1	7.50	7.50	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	YOK
Eğitimin Dili	TÜRKÇE
Koordinatör	DOÇ. DR. LEVENT LATİFOĞLU
Dersi Veren Öğretim Eleman(lar)ı
Yardımcı Öğretim Eleman(lar)ı
Dersin Veriliş Şekli	Yüz yüze
Dersin Amacı	Bu dersin amacı, öğrencilerin yapay sinir ağlarının temel kuramsal altyapısını, öğrenme mekanizmalarını ve farklı ağ mimarilerini kavrayarak, bu yöntemlerin mühendislik alanlarındaki karmaşık problemlerin çözümünde nasıl etkin bir şekilde kullanılabileceğini öğrenmelerini sağlamaktır. Ders kapsamında veri ön işleme, model kurma, performans değerlendirme ve sonuçların yorumlanmasına yönelik bilgi ve becerilerin kazandırılması; öğrencilerin yapay sinir ağı tabanlı yaklaşımları mühendislik uygulamalarına uyarlayabilen, analitik düşünme ve problem çözme yetkinliklerine sahip bireyler olarak yetişmeleri hedeflenmektedir.
Dersin Tanımı	Bu ders, yapay sinir ağlarının temel kavramlarını, matematiksel altyapısını, öğrenme algoritmalarını ve farklı ağ mimarilerini kapsamlı biçimde ele almaktadır. Ders kapsamında veri ön işleme teknikleri, modelleme süreçleri, performans değerlendirme yöntemleri ve yapay sinir ağlarının çeşitli mühendislik alanlarındaki uygulamaları incelenmekte; teorik anlatımlar uygulama örnekleri ve literatür çalışmalarıyla desteklenerek öğrencilerin yapay sinir ağı tabanlı analiz ve modelleme yetkinliklerini geliştirmeleri amaçlanmaktadır.

Dersin İçeriği

1	Yapay zekâ, makine öğrenmesi ve derin öğrenmeye giriş; yapay sinir ağlarının tarihçesi ve temel kavramlar.
2	Biyolojik sinir sistemleri ve yapay sinir ağlarının temel yapısı; nöron modeli, ağırlıklar ve aktivasyon fonksiyonları.
3	Tek katmanlı yapay sinir ağları ve perceptron modeli.
4	Çok katmanlı yapay sinir ağları (MLP) ve ağ mimarileri.
5	İleri beslemeli ağlar ve geri yayılım (Backpropagation) algoritmasının temelleri.
6	Ağ eğitimi, öğrenme algoritmaları, kayıp fonksiyonları ve optimizasyon yöntemleri.
7	Veri ön işleme, özellik seçimi, veri normalizasyonu ve veri setlerinin hazırlanması.
8	Aşırı öğrenme (overfitting), yetersiz öğrenme (underfitting), doğrulama ve model performans değerlendirmesi.
9	Derin öğrenme kavramı ve derin sinir ağı mimarilerine giriş.
10	Evrişimsel Sinir Ağları (CNN) ve görüntü işleme uygulamaları.
11	Tekrarlayan Sinir Ağları (RNN), LSTM ve zaman serisi analizleri.
12	Yapay sinir ağlarının mühendislik uygulamaları; tahminleme, sınıflandırma ve optimizasyon problemleri.
13	Python ortamında yapay sinir ağı uygulamaları (TensorFlow, Keras veya PyTorch kullanılarak örnek çalışmalar)
14	Öğrenci proje sunumları, güncel araştırma uygulamaları ve genel değerlendirme.
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Yapay zekâ, makine öğrenmesi, derin öğrenme ve yapay sinir ağları arasındaki ilişkileri açıklayabilir.
2	Yapay sinir ağlarının temel bileşenlerini, çalışma prensiplerini ve öğrenme mekanizmalarını tanımlayabilir.
3	Farklı yapay sinir ağı mimarilerini (Perceptron, Çok Katmanlı Algılayıcılar, CNN, RNN vb.) karşılaştırabilir ve uygun kullanım alanlarını belirleyebilir.
4	Bir problem için uygun veri setini hazırlayabilir, veri ön işleme yöntemlerini uygulayabilir ve model geliştirme sürecini planlayabilir.
5	Geri yayılım algoritmasını ve optimizasyon yöntemlerini kullanarak yapay sinir ağı modelleri eğitebilir.
6	Yapay sinir ağı modellerinin performansını değerlendirebilir ve doğruluk, hata oranı, duyarlılık gibi performans ölçütlerini yorumlayabilir.
7	Aşırı öğrenme ve yetersiz öğrenme problemlerini belirleyebilir ve uygun çözüm yöntemlerini uygulayabilir.
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi

1
2
3
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	14	3	42
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	14	3	42
Ödevler	7	5	35
Sunum / Seminer hazırlama	3	5	15
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	0	1	0
Ara sınavlar	0	0	0
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	5	3	15
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	1	15	15
Yarıyıl sonu sınavı	1	3	3
Araştırma	1	15	15
Toplam iş yükü			182
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
Yardımcı Kaynaklar

Ders İle İlgili Dosyalar