BİLGİSAYAR MÜHENDİSLİĞİ (YL) (TEZLİ) (İNGİLİZCE)
Kazanılan Yeterlilik Program Süresi Toplam Kredi (AKTS) Öğretim Şekli Yeterliliğin Düzeyi ve Öğrenme Alanı
2 120 FULL TIME TYÇ, TYYÇ, EQF-LLL, ISCED (2011):7. Düzey
QF-EHEA:2. Düzey
TYYÇ, ISCED (1997-2013): 48,52

Ders Genel Tanıtım Bilgileri

Ders Kodu: 3017002043
Ders İsmi: Deep Learning
Ders Yarıyılı: Güz
Ders Kredileri:
Teorik Pratik Laboratuvar Kredi AKTS
3 0 0 3 6
Öğretim Dili: EN
Ders Koşulu:
Ders İş Deneyimini Gerektiriyor mu?: Hayır
Ders İçin Önerilen Diğer Hususlar:
Dersin Türü: Department Elective
Dersin Seviyesi:
Yüksek Lisans TYYÇ:7. Düzey QF-EHEA:2. Düzey EQF-LLL:7. Düzey
Dersin Veriliş Şekli: Yüz yüze
Dersin Koordinatörü: Dr.Öğr.Üyesi Recep DURANAY
Dersi Veren(ler):
Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı: Bu Derin Öğrenmede yüksek lisans düzeyinde bir giriş dersidir. Derin Öğrenmede birçok kavram ve algoritmaya, teoriye ve pratik çalışmaya geniş bir giriş yapar. Temel kavramlar ve seçilen derin öğrenme algoritmaları ve uygulamaları sunulmaktadır.
Dersin İçeriği: İleri Veri Analizi için Derin Öğrenme kursu, yüksek lisans düzeyindeki öğrencileri veri analizi alanındaki derin öğrenmenin teorik temelleri, en son teknikleri ve pratik uygulamaları hakkında derin bir anlayışla donatmak için tasarlanmıştır. Benzeri görülmemiş veri kullanılabilirliği çağında derin öğrenme, karmaşık kalıpları ayıklamak, akıllı karar vermeyi sağlamak ve çeşitli alanlarda inovasyonu ilerletmek için dönüştürücü bir araç olarak ortaya çıktı. Teori, uygulamalı kodlama ve gerçek dünya projelerinin dengeli bir karışımı sayesinde katılımcılar, karmaşık veri yapılarını çözmek, derin öğrenme modelleri geliştirmek ve uygulamak ve yapay zeka odaklı araştırma ve uygulamaların ön saflarına katkıda bulunmak için uzmanlık kazanacaklar. Bu ders, sinir ağı mimarileri, optimizasyon algoritmaları, evrişimli ve tekrarlayan ağlar, üretken modeller ve transfer öğrenme gibi temel konuları kapsar. TensorFlow ve PyTorch gibi popüler çerçeveleri kullanarak pratik uygulamaya odaklanırken derin öğrenmenin matematiksel temellerini araştırır. Katılımcılar, görüntü analizi, doğal dil işleme, öneri sistemleri ve daha fazlasındaki sorunları çözmek için derin öğrenme teknikleri uygulayarak gerçek dünyadaki veri kümeleri ve projeleriyle ilgilenecekler.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
Öğrenme Kazanımları
1 - Bilgi
Kuramsal - Olgusal
1) Çeşitli Veri Türlerine Derin Öğrenme Tekniklerini Uygulayın: Görüntü analizi için evrişimli sinir ağları (CNN'ler), sıralı veri işleme için tekrarlayan sinir ağları (RNN'ler) ve metin anlama ve oluşturma için doğal dil işleme (NLP) modelleri tasarlayabilir ve uygulayabilir.
2 - Beceriler
Bilişsel - Uygulamalı
1) Derin Öğrenme Kavramlarında Yeterlilik Gösterme: Sinir ağlarının temel kavramlarını, aktivasyon fonksiyonlarını, optimizasyon algoritmalarını ve geri yayılımı anlayarak derin öğrenme modellerinin sıfırdan oluşturulmasını ve eğitimini sağlayabilir.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
Öğrenme Yetkinliği
Alana Özgü Yetkinlik
1) Model İnce Ayarında Pratik Uzmanlık Geliştirin ve Öğrenmeyi Aktarın: Önceden eğitilmiş modellerden yararlanmak için transfer öğrenme ilkelerini uygulayabilir, özellik çıkarımı gerçekleştirin ve belirli görevler için modellerde ince ayar yaparak derin öğrenme çözümlerini yeni alanlara etkili bir şekilde uyarlayabilir.
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği
1) Derin Öğrenmede Etik Hususları Eleştirel Olarak Değerlendirin: Derin öğrenme uygulamalarında önyargı, adalet ve şeffaflığın etik sonuçlarını kabul edin ve sorumlu yapay zeka geliştirme ve devreye alma taahhüdünü gösterebilir.
2) Derin Öğrenmeyi Gerçek Dünya Sorunlarına Uygulayın: Pratik senaryolarda derin öğrenme çözümlerini tasarlama, uygulama ve değerlendirme becerisini gösteren, görüntü sınıflandırması, duyarlılık analizi, üretken modeller veya diğer ilgili uygulamaları kapsayan uygulamalı projeler üstlenebilir.

Ders Akış Planı

Hafta Konu Ön Hazırlık
1) Derin Öğrenmeye Giriş - Derin öğrenmenin gelişimi ve önemi - Sinir ağı temelleri: nöronlar, katmanlar, aktivasyon fonksiyonları - İleri beslemeli sinir ağları ve mimarileri Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
2) Optimizasyon ve Eğitim - Kayıp fonksiyonları ve optimizasyondaki rolleri - Gradyan iniş varyantları: SGD, Adam, RMSProp - Geri yayılım algoritması ve zincir kuralı Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
3) Evrişimli Sinir Ağları (CNN'ler) - CNN'lerin arkasındaki motivasyon: mekansal verileri işleme - Evrişimli katmanlar, havuzlama katmanları ve filtreler - Mimariler: LeNet, AlexNet, VGG, ResNet Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
4) Tekrarlayan Sinir Ağları (RNN'ler) ve Dizi Modelleri - Sıralı verileri ve zorlukları anlama - RNN mimarisi ve kaybolan gradyan problemi - Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
5) Derin Öğrenme ile Doğal Dil İşleme (NLP) - Kelime yerleştirmeleri: Word2Vec, GloVe - Makine çevirisi için diziden diziye modeller - Dikkat mekanizmaları ve Transformatörler Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
6) Üretken Modeller ve Denetimsiz Öğrenme - Üretken modellere giriş: otomatik kodlayıcılar ve GAN'lar - Değişken Otomatik Kodlayıcılar (VAE'ler) ve uygulamaları -Görüntü oluşturmada GAN'ları ve uygulamaları eğitmek Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
7) Aktarım Öğrenimi ve İnce Ayar - Yeni görevler için önceden eğitilmiş modellerden yararlanma - Özellik çıkarma ve ince ayar stratejileri - Farklı alanlarda transfer öğrenme vaka çalışmaları Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
8) Ara Sınav
9) Derin Öğrenmede Etik ve Önyargı - Veri ve algoritmalardaki önyargıların ele alınması - AI ve derin öğrenme uygulamalarında etik hususlar Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
10) Gelişmiş Konular ve Yükselen Trendler - Takviyeli öğrenme ve bunun derin öğrenmeyle bağlantısı - Açıklanabilir AI ve derin modellerin yorumlanabilirliği - Derin öğrenme araştırma ve uygulamalarındaki eğilimler Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
11) Gerçek Dünya Projeleri ve Vaka Çalışmaları - Çeşitli uygulamalar için derin öğrenme çözümlerinin uygulanması - Uygulamalı projeler aracılığıyla gerçek dünyadaki zorluklar için derin öğrenme çözümleri uygulayın Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
12) Pratik Oturumlar - Daha hızlı eğitim için GPU ortamlarını kurma ve kullanma konusunda rehberlik - Uygulamalı projeler aracılığıyla gerçek dünyadaki zorluklar için derin öğrenme çözümleri uygulayın Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 Dive into Deep Learning http://d2l.ai/index.html Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
13) Öğrenci Proje Sunumları
14) Final

Kaynaklar

Ders Notları / Kitaplar: Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016

Dive into Deep Learning http://d2l.ai/index.html

Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
Diğer Kaynaklar: Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016

Dive into Deep Learning http://d2l.ai/index.html

Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları

1

2

3

4

5
Program Kazanımları
1) Bilgisayar Bilimi ve Mühendisliği alanında bilimsel araştırma yaparak geniş ve derin bilgilere ulaşma, değerlendirme, yorumlama ve uygulama becerisi.
2) Sınırlı ya da eksik bilgiyi kapatmak ve uygulamak için bilimsel yöntemleri kullanma ve farklı disiplinlerin bilgilerini bütünleştirme kabiliyeti.
3) Bilgisayar Bilimi ve Mühendisliği problemlerini kurgulayabilme, problemleri çözmek için yöntemler geliştirebilme ve çözümde yenilikçi yöntemler kullanabilme.
4) Yeni ve/veya orijinal fikirler ve algoritmalar geliştirme becerisi; sistem, bileşen veya süreç tasarımında yenilikçi çözümler geliştirmek.
5) Bilgisayar Mühendisliğinde uygulanan güncel teknikler ve yöntemler ve bunların kısıtları hakkında geniş bilgi sahibi olma kabiliyeti.
6) Analitik modelleme ve deneysel araştırma tasarlama ve uygulama, süreçte karşılaşılan karmaşık durumları çözme ve yorumlama becerisi.
7) Bir yabancı dili (İngilizce) en az Avrupa Dil Portföyü seviyesinde sözlü ve yazılı iletişimde kullanabilme kabiliyeti.
8) Çok disiplinli ekiplerde liderlik etme, karmaşık durumlara çözüm geliştirme ve sorumluluk alma kabiliyeti.
9) Toplumsal, yasal, etik ve ahlaki değerlerin bilincinde olmak ve bu değerler çerçevesinde araştırma ve uygulama çalışmaları yapabilmek.
10) Bilgisayar Bilimi ve Mühendisliği alanında yeni ve gelişmekte olan uygulamalar hakkında farkındalık ve bunları inceleme ve gerekirse öğrenme kabiliyeti.

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok 1 En Düşük 2 Düşük 3 Orta 4 Yüksek 5 En Yüksek
           
Dersin Program Kazanımlarına Etkisi Katkı Payı
1) Bilgisayar Bilimi ve Mühendisliği alanında bilimsel araştırma yaparak geniş ve derin bilgilere ulaşma, değerlendirme, yorumlama ve uygulama becerisi.
2) Sınırlı ya da eksik bilgiyi kapatmak ve uygulamak için bilimsel yöntemleri kullanma ve farklı disiplinlerin bilgilerini bütünleştirme kabiliyeti.
3) Bilgisayar Bilimi ve Mühendisliği problemlerini kurgulayabilme, problemleri çözmek için yöntemler geliştirebilme ve çözümde yenilikçi yöntemler kullanabilme.
4) Yeni ve/veya orijinal fikirler ve algoritmalar geliştirme becerisi; sistem, bileşen veya süreç tasarımında yenilikçi çözümler geliştirmek.
5) Bilgisayar Mühendisliğinde uygulanan güncel teknikler ve yöntemler ve bunların kısıtları hakkında geniş bilgi sahibi olma kabiliyeti.
6) Analitik modelleme ve deneysel araştırma tasarlama ve uygulama, süreçte karşılaşılan karmaşık durumları çözme ve yorumlama becerisi.
7) Bir yabancı dili (İngilizce) en az Avrupa Dil Portföyü seviyesinde sözlü ve yazılı iletişimde kullanabilme kabiliyeti.
8) Çok disiplinli ekiplerde liderlik etme, karmaşık durumlara çözüm geliştirme ve sorumluluk alma kabiliyeti.
9) Toplumsal, yasal, etik ve ahlaki değerlerin bilincinde olmak ve bu değerler çerçevesinde araştırma ve uygulama çalışmaları yapabilmek.
10) Bilgisayar Bilimi ve Mühendisliği alanında yeni ve gelişmekte olan uygulamalar hakkında farkındalık ve bunları inceleme ve gerekirse öğrenme kabiliyeti.

Öğrenme Etkinliği ve Öğretme Yöntemleri

Ölçme ve Değerlendirme Yöntemleri ve Kriterleri

Yazılı Sınav (Açık uçlu sorular, çoktan seçmeli, doğru yanlış, eşleştirme, boşluk doldurma, sıralama)
Ödev
Bireysel Proje

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları Aktivite Sayısı Katkı Payı
Ödev 1 % 20
Projeler 1 % 30
Ara Sınavlar 1 % 20
Yarıyıl/Yıl Sonu Sınavı 1 % 30
Toplam % 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI % 70
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI % 30
Toplam % 100

İş Yükü ve AKTS Kredisi Hesaplaması

Aktiviteler Aktivite Sayısı Süre (Saat) İş Yükü
Ders Saati 14 3 42
Proje 1 50 50
Ödevler 1 70 70
Ara Sınavlar 1 3 3
Final 1 3 3
Toplam İş Yükü 168