| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| Zeki Optimizasyon Yöntemleri | BLM5132 | 3 | 7.5 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Güz, Bahar |
|---|
| Dersin Dili | İngilizce, Türkçe |
|---|---|
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Yüksek Lisans Programı Seçmeli @ Mekatronik Mühendisliği ABD Mekatronik Mühendisliği Doktora Programı (%30 İngilizce) Seçmeli @ Veri Bilimi ve Büyük Veri Yüksek Lisans Programı Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Doktora Programı Seçmeli @ Mekatronik Mühendisliği ABD Mekatronik Mühendisliği Yüksek Lisans Programı (%30 İngilizce) |
| Ders Kategorisi | Uzmanlık/Alan Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | Bilgisayar Mühendisliği Bölümü |
|---|---|
| Dersin Koordinatörü | Oğuz Altun |
| Dersi Veren(ler) | Oğuz Altun |
| Asistan(lar)ı |
| Dersin Amacı | Bu dersi başarılı olarak tamamlayan öğrenci bir kaç farklı önemli zeki optimizasyon algoritmasını tanımalı, rastgelelik kullanan algoritmaları bilimsel bir yöntem ile karşılaştırabilmeli, konudaki son bilimsel gelişmelerin bir kısmından haberdar olmalı, kara-kutu optimizasyon problemlerini uygun gösterimler ve hedef fonksiyonları ile modelleyebilmeli ve optimizasyon yaparken aşılması gereken zorlukların farkında olmalıdır. |
|---|---|
| Dersin İçeriği | Türev temelli optimizasyon, tek-durumlu ve populasyon yöntemleri, zeki optimizasyon yöntemlerinin karşılaştırılması, optimzasyonda aşılması gereken zorluklar, çok-hedefli optimizasyon, karınca kolonisi optimizasyonu, dağıllım tahmini algoritmaları. |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Öğrenci Konveks küme ve fonksiyonları öğrenecektir.
- Öğrenci Gradyen İniş yöntemini öğrenecektir.
- Öğrenci Newton yöntemini öğrenecektir.
- Öğrenci Eşlenik Sezgisel Optimizasyon yöntemlerini öğrenecektir.
- Öğrenci yöntemlerin karşılaştırılmasını öğrenecektir.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Tanıtım | |
| 2 | Matematik Tekrarı | |
| 3 | Küme-Kısıtlı ve Kısıtsız Optimizasyonun Temelleri | |
| 4 | Tek-Boyutlu Arama Yöntemleri | |
| 5 | Gradyen Yöntemleri | |
| 6 | Newton Yöntemi | |
| 7 | Global Arama Algoritmaları | |
| 8 | Ara Sınav 1 / Uygulama veya Konu Tekrarı | |
| 9 | Global Arama Algoritmaları | |
| 10 | Optimizasyon Problemlerinin Modellenmesi | |
| 11 | Optimizasyon ve Yapay Sinir Ağları | |
| 12 | Yöntemlerin Karşılaştırılması | |
| 13 | Proje Sunumları | |
| 14 | Proje Sunumları | |
| 15 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | 1 | 10 |
| Sunum/Jüri | ||
| Projeler | 1 | 25 |
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 25 |
| Final | 1 | 40 |
| Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
| Final Sınavının Başarı Notuna Katkısı | ||
| TOPLAM | 100 | |
AKTS İşyükü Tablosu
| Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
|---|---|---|---|
| Ders Saati | 13 | 3 | |
| Laboratuar | |||
| Uygulama | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 13 | 5 | |
| Derse Özgü Staj | |||
| Ödev | 1 | 10 | |
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | 1 | 35 | |
| Sunum / Seminer | |||
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 35 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 41 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
