ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ (YL) (TEZLİ) (İNGİLİZCE)
Kazanılan Yeterlilik	Program Süresi	Toplam Kredi (AKTS)	Öğretim Şekli	Yeterliliğin Düzeyi ve Öğrenme Alanı
YÜKSEK LİSANS DERECESİ	2	120	ÖRGÜN	TYÇ, TYYÇ, EQF-LLL, ISCED (2011):7. Düzey QF-EHEA:2. Düzey TYYÇ, ISCED (1997-2013): 52

Ders Genel Tanıtım Bilgileri

Ders Kodu:

3026002041

Ders İsmi:

Neural Networks

Ders Yarıyılı:

Güz
Bahar

Ders Kredileri:

Teorik	Pratik	Laboratuvar	Kredi	AKTS
3	0	0	3	6

Öğretim Dili:

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Ders İçin Önerilen Diğer Hususlar:

yok.

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:

Prof. Dr. Çağatay ULUIŞIK

Dersi Veren(ler):

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:

Bu dersin amacı, öğrencilere yapay sinir ağlarının temel kavramlarını, matematiksel altyapısını ve uygulama alanlarını öğretmektir. Öğrenciler, farklı sinir ağı mimarilerini tanıyacak, öğrenme algoritmalarını anlayacak ve gerçek dünya problemlerini çözmek için bu teknikleri kullanabileceklerdir. Ayrıca, derin öğrenme, geriye yayılım algoritması ve optimizasyon teknikleri gibi ileri düzey konulara da giriş yapılacaktır.

Dersin İçeriği:

Bu ders, yapay sinir ağlarının teorik ve pratik temellerini kapsamaktadır. İçerik, aşağıdaki başlıca konuları içermektedir:

Yapay sinir ağlarının temel kavramları ve biyolojik sinir ağları ile ilişkisi
Algılayıcı (Perceptron) ve çok katmanlı algılayıcılar (MLP)
Geri yayılım (Backpropagation) algoritması ve hata azaltma yöntemleri
Aktivasyon fonksiyonları ve özellikleri
Derin öğrenme ve ileri sinir ağı mimarileri (CNN, RNN, LSTM)
Öğrenme algoritmaları: Gözetimli, gözetimsiz ve pekiştirmeli öğrenme
Overfitting ve regularizasyon teknikleri
Optimizasyon algoritmaları (Gradient Descent, Adam, RMSProp)
Uygulama örnekleri: Görüntü işleme, doğal dil işleme ve zaman serisi analizi
Modern sinir ağı kütüphaneleri ve çerçeveleri (TensorFlow, PyTorch)

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Öğrenme Kazanımları

1 - Bilgi
Kuramsal - Olgusal
1) Yapay sinir ağlarının temel prensiplerini, matematiksel temellerini ve öğrenme algoritmalarını açıklar.
2 - Beceriler
Bilişsel - Uygulamalı
1) Derin öğrenme modellerini gerçek dünya problemleri için geliştirir ve uygular.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
1) Takım çalışmalarıyla sinir ağları ve derin öğrenme projelerinde etkin rol alır.
Öğrenme Yetkinliği
1) Alanındaki literatürü araştırarak yeni yöntemler ve algoritmalar geliştirir.
Alana Özgü Yetkinlik
1) Derin öğrenme ve yapay zeka uygulamalarını mühendislik projelerinde uygular.
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	Yapay Sinir Ağlarına Giriş ve Tarihçe	Bu derse başlamadan önce öğrencilerin temel matematik ve programlama bilgisine sahip olmaları beklenir. Özellikle lineer cebir, kalkülüs, istatistik ve olasılık teorisi konularında ön bilgi faydalı olacaktır. Python programlama dili ve makine öğrenmesi kütüphaneleri hakkında temel düzeyde bilgi de önerilmektedir. Önerilen Ön Hazırlık Konuları: Temel lineer cebir (matris işlemleri, vektörler) İstatistiksel kavramlar (ortalama, varyans, standart sapma) Python programlama dilinin temelleri Temel makine öğrenmesi algoritmalarının genel prensipleri Ders Materyalleri: Ders slaytları ve notları (haftalık olarak paylaşılacak) Uygulama projeleri için Jupyter Notebook dosyaları Python kütüphaneleri (NumPy, Pandas, Scikit-learn, TensorFlow, PyTorch) Okuma materyalleri ve güncel makaleler (IEEE, arXiv gibi kaynaklardan)
2)	Biyolojik Sinir Ağları ve Yapay Sinir Ağlarının Temelleri
3)	Algılayıcı (Perceptron) ve Tek Katmanlı Sinir Ağları
4)	Çok Katmanlı Algılayıcı (MLP) ve Geri Yayılım Algoritması
5)	Aktivasyon Fonksiyonları ve Özellikleri
6)	Gözetimli ve Gözetimsiz Öğrenme Yöntemleri
7)	Derin Öğrenme Mimarileri: CNN, RNN, LSTM
8)	Ara Sınav
9)	Overfitting, Regularizasyon ve Dropout Teknikleri
10)	Optimizasyon Algoritmaları: Gradient Descent, Adam, RMSProp
11)	Doğal Dil İşleme (NLP) ve Sinir Ağı Uygulamaları
12)	Görüntü İşleme ve Convolutional Neural Networks (CNN)
13)	Pekiştirmeli Öğrenme (Reinforcement Learning) ve Uygulamalar
14)	TensorFlow ve PyTorch ile Uygulamalı Proje Geliştirme
15)	Proje Sunumları ve Genel Tekrar
16)	Final Sınavı

Kaynaklar

Ders Notları / Kitaplar:	"Yapay Sinir Ağları ve Uygulamaları" – Ethem Alpaydın "Neural Networks and Deep Learning" – Michael Nielsen "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" – Aurélien Géron "Derin Öğrenme: Algoritmalar ve Uygulamalar" – Ian Goodfellow, Yoshua Bengio, Aaron Courville (Çeviri)
Diğer Kaynaklar:	"Yapay Sinir Ağları ve Uygulamaları" – Ethem Alpaydın "Neural Networks and Deep Learning" – Michael Nielsen "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" – Aurélien Géron "Derin Öğrenme: Algoritmalar ve Uygulamalar" – Ian Goodfellow, Yoshua Bengio, Aaron Courville (Çeviri)

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları	1	2	3	4	5
Program Kazanımları
1) Elektrik-Elektronik Mühendisliği alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular.
2) Elektrik-Elektronik Mühendisliğinde uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir.
3) Belirsiz, sınırlı ya da eksik verileri kullanarak, bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bir arada kullanabilir.
4) Elektrik-Elektronik Mühendisliği uygulamalarındaki yeni ve gelişmekte olan uygulamalarının farkındadır, ihtiyaç duyduğunda bunları inceler ve öğrenir.
5) Elektrik-Elektronik Mühendisliği problemlerini tanımlar ve formüle eder, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular.
6) Yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler geliştirir.
7) Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık problemleri irdeler ve çözümler.
8) Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilir, bu tür takımlarda liderlik yapabilir ve karmaşık durumlarda çözüm yaklaşımları geliştirebilir; bağımsız çalışabilir ve sorumluluk alır.
9) Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyinde kullanarak, sözlü ve yazılı iletişim kurar.
10) Çalışmalarının süreç ve sonuçlarını, o alandaki veya alan dışındaki ulusal ve uluslararası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarır.
11) Elektrik-Elektronik Mühendisliği uygulamalarının sosyal, çevresel, sağlık, güvenlik, hukuk boyutları ile proje yönetimi ve iş hayatı uygulamalarını bilir ve bunların mühendislik uygulamalarına getirdiği kısıtların farkındadır.
12) Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.

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)	Elektrik-Elektronik Mühendisliği alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular.
2)	Elektrik-Elektronik Mühendisliğinde uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir.
3)	Belirsiz, sınırlı ya da eksik verileri kullanarak, bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bir arada kullanabilir.
4)	Elektrik-Elektronik Mühendisliği uygulamalarındaki yeni ve gelişmekte olan uygulamalarının farkındadır, ihtiyaç duyduğunda bunları inceler ve öğrenir.
5)	Elektrik-Elektronik Mühendisliği problemlerini tanımlar ve formüle eder, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular.
6)	Yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler geliştirir.
7)	Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık problemleri irdeler ve çözümler.
8)	Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilir, bu tür takımlarda liderlik yapabilir ve karmaşık durumlarda çözüm yaklaşımları geliştirebilir; bağımsız çalışabilir ve sorumluluk alır.
9)	Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyinde kullanarak, sözlü ve yazılı iletişim kurar.
10)	Çalışmalarının süreç ve sonuçlarını, o alandaki veya alan dışındaki ulusal ve uluslararası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarır.
11)	Elektrik-Elektronik Mühendisliği uygulamalarının sosyal, çevresel, sağlık, güvenlik, hukuk boyutları ile proje yönetimi ve iş hayatı uygulamalarını bilir ve bunların mühendislik uygulamalarına getirdiği kısıtların farkındadır.
12)	Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.

Öğrenme Etkinliği ve Öğretme Yöntemleri

Anlatım
Bireysel çalışma ve ödevi
Grup çalışması ve ödevi
Ödev
Proje Hazırlama
Rapor Yazma

Ölçme ve Değerlendirme Yöntemleri ve Kriterleri

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

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Devam	14	% 10
Ödev	2	% 10
Projeler	1	% 10
Ara Sınavlar	1	% 20
Rapor Teslimi	1	% 10
Yarıyıl/Yıl Sonu Sınavı	1	% 30
Quiz	3	% 10
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	5	70
Sınıf Dışı Ders Çalışması	14	5	70
Sunum / Seminer	1	5	5
Proje	1	10	10
Ödevler	2	4	8
Küçük Sınavlar	3	2	6
Ara Sınavlar	1	5	5
Rapor Teslimi	1	5	5
Final	1	10	10
Toplam İş Yükü			189