Anasayfa » Akademik Birimler » Elektrik - Elektronik Fakültesi » Kontrol ve Otomasyon Mühendisliği Bölümü » Dersler » Makine Öğrenmesi ve Yapay Sinir Ağları
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Makine Öğrenmesi ve Yapay Sinir Ağları KOM611037.5300
ÖnkoşullarYok
YarıyılBahar
Dersin Diliİngilizce
Dersin SeviyesiDoktora
Dersin TürüSeçmeli @ Kont. ve Otom. Müh. ABD Kontrol ve Otomasyon Mühendisliği Doktora Programı
Seçmeli @ Kont. ve Otom. Müh. ABD Kontrol ve Otomasyon Mühendisliği Yüksek Lisans Programı (Tezsiz, 2. Öğretim)
Seçmeli @ Kont. ve Otom. Müh. ABD Kontrol ve Otomasyon Mühendisliği Yüksek Lisans Programı (Tezsiz)
Seçmeli @ Kont. ve Otom. Müh. ABD Kontrol ve Otomasyon Mühendisliği Yüksek Lisans Programı (Tezsiz, 2. Öğretim, İngilizce)
Seçmeli @ Kont. ve Otom. Müh. ABD Kontrol ve Otomasyon Mühendisliği Yüksek Lisans Programı
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimKontrol ve Otomasyon Mühendisliği Bölümü
Dersin KoordinatörüMuharrem Mercimek
Dersi Veren(ler)Muharrem Mercimek
Asistan(lar)ı
Dersin AmacıBu ders, yapay sinir ağları ve makine öğrenmesine kapsamlı bir giriş sunar; biyolojik motivasyon, öğrenme türleri, perceptronlar ve geri yayılım gibi temel konuların yanı sıra, Bayes sınıflayıcıları, boyut indirgeme, destek vektör makineleri, evrişimli sinir ağları, pekiştirmeli öğrenme ve otokodlayıcılar gibi ileri düzey konularda öğrencilere temel kazandırır.
Dersin İçeriğiYapay Sinir Ağı (YSA) temsilleri, YSA için biyolojik motivasyon; Bilgi temsili, öğrenme türlerine; Perceptronlar, Çok Katmanlı Perceptronlar, Geri Yayılım (Back Propagation) Algoritması; Bayes Karar Teorisi: Bayes Sınıflayıcılar; İyi özelliklerin önemi: Boyut indirgeme, Temel Bileşenler Analizi (PCA); Doğrusal Ayırt Edici Fonksiyonlar, Destek Vektör Makineleri (SVM); Evrişimli Sinir Ağları (CNN); Pekiştirmeli Öğrenme; Otokodlayıcılar (Autoencoders).
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Neural Networks and Learning Machines, Simon Haykin, 3rd Edition, 2009.
  • Introduction to Machine Learning, Ethem Alpaydin, 2nd Edition 2004.
  • Pattern Classification, R. O. Duda, P. E. Hart, D. G. Stork, 2nd Edition, 2000.
  • Machine Learning, Tom Mitchell, 1997.
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Bu dersi alan öğrenciler, biyolojik sinir sistemleri ile yapay sinir ağı modelleri arasındaki ilişkiyi açıklayabilir.
  2. Öğrenciler, yapay sinir ağlarının temel prensiplerini ve bu yapıların gerçek beyinlerin işleyişinden nasıl ilham aldığını tanımlayabilir.
  3. Öğrenciler, sinir ağı sistemlerinde etkili öğrenme ve genelleme performansını etkileyen temel faktörleri belirleyip tartışabilir.
  4. Öğrenciler, yaygın olarak kullanılan çeşitli yapay sinir ağı mimarilerini uygulayabilir.
  5. Öğrenciler, sınıflandırma görevleri için veri özellik seçimi yöntemlerini değerlendirebilir ve istatistiksel analiz tekniklerini kullanabilir.

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-----
PÇ-10-----
PÇ-11-----
PÇ-12-----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Giriş, Yapay Sinir Ağları için biyolojik motivasyonDers Kitabı Bölüm 1
2Bilgi TemsiliDers Kitabı Bölüm 2
3Öğrenme MetodlarıDers Kitabı Bölüm 3
4 Perceptronlar ve Geriye Yayılım Algoritması (1)Ders Kitabı Bölüm 4
5 Perceptronlar ve Geriye Yayılım Algoritması (2)Ders Kitabı Bölüm 5
6 Bayes sınıflayıcıları (1)Ders Kitabı Bölüm 5
7 Bayes sınıflayıcıları (2)Ders Kitabı Bölüm 6
8Ara Sınav 1
9Lineer Diskriminant Fonsiyonları, Destek Vektör MakineleriDers Kitabı Bölüm 7
10Evrişimli Yapay Sinir Ağları (1)Ders Kitabı Bölüm 8
11Evrişimli Yapay Sinir Ağları (2)Diğer Kaynaklar Bölüm 9
12Pekiştirmeli Öğrenme (1)Diğer Kaynaklar Bölüm 10
13Pekiştirmeli Öğrenme (2)Diğer Kaynaklar Bölüm 11
14Oto-kodlayıcı Modelleri
15Proje Sunumları
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev420
Sunum/Jüri
Projeler
Seminer/Workshop120
Ara Sınavlar120
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati143
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması147
Derse Özgü Staj
Ödev410
Küçük Sınavlar/Stüdyo Kritiği
Projeler115
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)112
Final (Sınav Süresi + Sınav Hazırlık Süresi)112
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok