Bilgi Paketi / Ders Kataloğu
Yapay Sinir Ağlarına Giriş
Ders Kodu: EE465
Ders Türü: Bölüm Seçmeli
Ders Grubu: Lisans
Eğitim Dili: İngilizce
Staj Durumu: Yok
Teori: 3
Uyg.: 0
Kredi: 3
Laboratuvar: 0
AKTS: 5
Amaç

Yapay sinir ağları konusunda öğrencilere teorik ve uygulamalı bilgilerin verilmesi amaçlanmaktadır.

Özet İçerik

Yapay Sinir Ağlarının tarihsel gelişimi, Temel yapay sinir Ağları, İstatistiksel Örüntü tanıma, sınıflandırma, tek katmanlı ağlar, Çok katmanlı ağlar-Hatayı Geriye Yayma Modeli, Radyal Tabanlı Fonksiyonlar, Hata fonksiyonları, Danışmanlı öğrenme, Python uygulamaları.

Dersi Veren Öğretim Görevlisi/Görevlileri
Doç. Dr. Coşkun DENİZ
Öğrenme Çıktıları
1. Beyin ile basit yapay sinir ağı modelleri arasındaki ilişkiyi tanımlayabilme
2.Çok Katlı Pörseptran, radyal taban fonksiyonlu ağlar, Kohonen kendini örgütleyen eşlemlemeler için öğrenme algoritmalarını ve en yaygın mimari yapılarını açıklayabilme
3.Farklı sinir ağ mimarilerini, onların sınırlamalarını ve her bir mimari için uygun öğrenme kurallarını ayırt edebilme
4.Öğrenme türlerinin sınıflandırılmasını ve öğrenme modellerini anlayarak mühendislik uygulamalarını yapabilmek
5.Yapay zeka ve derin öğrenme konularına giriş bilgilerini edinmek
6.Tek katlı ağlarda karşılaşılan doğrusal ayırt edilebilirlik sorununu tayin edebilme ve gizli bir katmanlar ilave ederek bu sorunun nasıl çözülebildiğini açıklayabilme ve gösterebilme
7.Yapay sinir ağ sistemlerinde iyi bir öğrenme ve genelleştirme başarımını oluşturmak için ilgili olan ana faktörleri tartışabilme
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. S. Haykin, Neural Networks: A Comprehensive Foundation (2nd Edition), Prentice-Hall, 1998
2.S. Haykin, Neural Networks and Learning Machines (3rd Edition), Pearson, 2009.
3.F. Chollet, Deep Learning with Python, Manning, 2018.
4.Ders notları ve önerilen internet kaynakları.
Haftalık Ayrıntılı Ders İçeriği
1. Hafta - Teorik
Yapay sinir ağlarına giriş
2. Hafta - Teorik
Yapay sinir ağlarının oluştutulması
3. Hafta - Teorik
Yapay sinir ağlarının oluşturulması: Perceptron, Delta kuralı.
4. Hafta - Teorik
Yapay sinir ağlarının oluşturulması: İleri beslemeli ağlar, Geri beslemeli ağlar.
5. Hafta - Teorik
Yapay sinir ağlarının yapıları: Geri yayılım ağı, Delta bar delta.
6. Hafta - Teorik
Yapay sinir ağlarının yapıları: Hopfield ağı, Hamming ağı.
7. Hafta - Teorik
Yapay sinir ağlarında öğrenme: Öğrenme tipleri, Danışmanlı öğrenme
8. Hafta - Teorik
Yapay sinir ağlarında öğrenme: Danışmanlı öğrenme, Algılayıcı (Perceptron) öğrenme kuralı
9. Hafta - Teorik
Yapay sinir ağlarında öğrenme: Danışmanlı öğrenme, Delta öğrenme kuralı
10. Hafta - Teorik
Yapay sinir ağlarında öğrenme: Danışmanlı öğrenme, Geri yayılımlı öğrenme
11. Hafta - Teorik
Yapay sinir ağlarında öğrenme: Danışmansız öğrenme, Karma öğrenme kuralı
12. Hafta - Teorik
Derin Sinir Ağlarına giriş, Evrişimli sinir ağları (CNN)
13. Hafta - Teorik
Python uygulamalar
14. Hafta - Teorik
Python uygulamalar
Değerlendirme
Değerlendirme TürüAdetYüzde
Ara Sınav (Vize)1%30
Dönem Sonu Sınavı (Final)1%50
Kısa Sınav (Quiz)2%20
İş Yükü Hesaplaması
EtkinlikSayısıÖn HazırlıkSüreToplam Iş Yükü (Saat)
Kuramsal Ders141356
Bireysel Çalışma140228
Kısa Sınav24010
Ara Sınav110212
Dönem Sonu Sınavı117219
TOPLAM İŞ YÜKÜ (Saat)125
Program ve Öğrenme Çıktıları İlişkisi
PÇ-1
PÇ-2
PÇ-3
PÇ-4
PÇ-5
PÇ-6
PÇ-7
PÇ-8
PÇ-9
PÇ-10
PÇ-11
OÇ-1
5
4
5
5
5
4
3
5
4
5
4
OÇ-2
5
4
5
5
5
5
3
5
5
5
5
OÇ-3
5
5
5
4
4
4
3
5
5
5
5
OÇ-4
5
5
5
5
5
5
3
5
5
5
5
OÇ-5
5
5
5
5
5
5
3
5
5
5
5
OÇ-6
5
5
5
4
5
5
3
5
5
5
5
OÇ-7
5
5
4
5
5
5
3
5
5
5
5
Adnan Menderes Üniversitesi - Bilgi Paketi / Ders Kataloğu
2026