Anasayfa » Akademik Birimler » İnşaat Fakültesi » Harita Mühendisliği Bölümü » Dersler » Uzaktan Algılamada Derin Öğrenme
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Uzaktan Algılamada Derin ÖğrenmeHRT523037.5300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce
Dersin SeviyesiYüksek Lisans
Dersin TürüSeçmeli @ Harita Mühendisliği ABD Uzaktan Algılama ve CBS Yüksek Lisans Programı
Seçmeli @ Harita Mühendisliği ABD Uzaktan Algılama ve CBS Doktora Programı
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimHarita Mühendisliği Bölümü
Dersin KoordinatörüBÜLENT BAYRAM
Dersi Veren(ler)BÜLENT BAYRAM
Asistan(lar)ıZEHRA ÇETİN
Dersin AmacıDerste konvolüsyonel sinir ağları, derin öğrenme ağlarının temel bileşenleri, farklı derin öğrenme ağları, yüksek ve düşük çözünürlüklü uydu görüntüleri ve ortofoto görüntülerinin sınıflandırılmasında derin öğrenme ağlarının kullanımı, derin öğrenme ağları kullanılarak uzaktan algılama verilerinin analizindeki güçlükler ve çözümüne ilişkin konularının öğrenciye kavratılması hedeflenmiştir.
Dersin İçeriğiYapay zeka, makine öğrenme ve derin öğrenme; Bir sinir ağının anatomisi; Derin öğrenme ağlarının çalışma ilkeleri; Uzaktan algılama verilerinin bölütlenmesine uygun derin öğrenme ağı mimarilerine bakış; Uzaktan algılama verilerinin sınıflandırması amacı ile derin öğrenme ağı tasarımı; Uzaktan algılama verilerinin etiketlenmesi; Uzaktan algılama verilerinin derin öğrenme ağları ile sınıflandırmasına yönelik örnekler; Uzaktan algılama verilerinin derin öğrenme ağları ile sınıflandırmasında karşılaşılan sorunlar ve çözüm önerileri; MATLAB platformu ve derin öğrenme ağları; Python platformu ve derin öğrenme ağları.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Josh Patterson & Adam Gibson, Deep Learning A Practitioner’s Approach, Editors: Mike Loukides and Tim McGovern, ISBN 978-1-491-91425-0, 2017.
  • Charu C. Aggarwal, Neural Networks and Deep Learning A Textbook, ISBN 978-3-319-94462-3, https://doi.org/10.1007/978-3-319-94463-0, 2018.
  • Yevgeniy Vorobeychik, Murat Kantarcioglu, Adversarial Machine Learning, ISBN: 9781681733951, DOI
  • Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, The MIT Press Cambridge, Massachusetts London, England, https://www.deeplearningbook.org/
  • Fırat Erdem, UYDU GÖRÜNTÜLERİNDEN DERİN ÖĞRENME ALGORİTMALARI KULLANARAK KIYI ÇİZGİSİ ÇIKARIMI, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Terz Danışmanı: Prof.Dr. Bülent Bayram, 2018.
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Öğrenciler derin öğrenme kavramını öğrenir
  2. Farklı derin öğrenme ağ mimarilerini öğrenir
  3. Derin öğrenme ağlarının temel bileşenlerini öğrenir
  4. Uydu görüntülerinin sınıflandırılmasına yönelik derin öğrenme ağı tasarlar
  5. MATLAB ve Python platformlarında derin öğrenme ağlarının kullanımını öğrenir

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-5
PÇ-1-----
PÇ-2-----
PÇ-3-----
PÇ-4-----
PÇ-5-----
PÇ-6-----
PÇ-7-----
PÇ-8-----
PÇ-9-----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Bir sinir ağının anatomisi kaynaklar
2Makine öğrenmenin temellerikaynaklar
3Derin öğrenmeye girişkaynaklar
4Derin öğrenmenin temel yapı taşlarıkaynaklar
5Uzaktan algılama verilerinin bölütlenmesine uygun derin öğrenme ağı mimarilerikaynaklar
6Uzaktan algılama verilerinin sınıflandırması amacı ile derin öğrenme ağı tasarımıkaynaklar
7Uzaktan algılama verilerinin açık kaynak kodlu yazılımların kullanımı ile etiketlenmesikaynaklar
8Ara Sınav 1
9Derin öğrenme ağları ile yüksek çözünürlüklü görüntülerin sınıflandırılmasıkaynaklar
10Derin öğrenme ağları ile yüksek çözünürlüklü görüntülerin sınıflandırılmasıkaynaklar
11Derin öğrenme ağları ile yüksek çözünürlüklü görüntülerinde obje yakalamakaynaklar
12Derin öğrenme ağları ile yüksek çözünürlüklü görüntülerinde obje bölütlemekaynaklar
13Uzaktan algılama verilerinin öğrenme ve sınıflandırma doğruluklarının analizikaynaklar
14MATLAB platformu ve derin öğrenme ağları, Python platformu ve derin öğrenme ağlarıkaynaklar
15
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım00
Laboratuar00
Uygulama00
Arazi Çalışması00
Derse Özgü Staj00
Küçük Sınavlar/Stüdyo Kritiği00
Ödev00
Sunum/Jüri230
Projeler00
Seminer/Workshop00
Ara Sınavlar130
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati143
Laboratuar00
Uygulama00
Arazi Çalışması00
Sınıf Dışı Ders Çalışması149
Derse Özgü Staj00
Ödev00
Küçük Sınavlar/Stüdyo Kritiği00
Projeler00
Sunum / Seminer29
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)119
Final (Sınav Süresi + Sınav Hazırlık Süresi)120
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok