Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Derin Öğrenme ve Yapay Sinir AğlarıBLM513537.5300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüSeçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Doktora Programı
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimBilgisayar Mühendisliği Bölümü
Dersin KoordinatörüSırma Yavuz
Dersi Veren(ler)Sırma Yavuz
Asistan(lar)ı
Dersin AmacıFarklı tip verilerden elde edilen üst düzey özellikleri derin mimarilerden yararlanarak öğrenmek için kullanılabilecek yöntemlerinin sunulması ve bu yöntemlerin görüntü tanımadan robot kontrolüne kadar farklı amaçlar için nasıl uygulanabileceğinin gösterilmesi.
Dersin İçeriğiDerin öğrenmenin tarihçesi ve teorik avantajları, Derin öğrenme için kullanılabilecek temel yapay sinir ağı mimarileri ve öğrenme algoritmaları, Dağıtık Modellerin Düzenlenmesi, Derin Modellerin Eğitimi için Optimizasyon Teknikleri, Konvolüsyonel ağlar, Geri beslemeli ve özyineli ağlar, Otomatik Kodlayıcılar ve Lineer Faktör Modelleri, Temsil Yoluyla Öğrenme, Derin Üretken Modeller – Boltzman Makineleri.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Yoshua Bengio, Ian J. Goodfellow and Aaron Courville, “ Deep Learning”, Book in preparation for MIT Press, http://www.iro.umontreal.ca/~bengioy/dlbook, 2015.
  • Yoshua Bengio, “Learning Deep Architectures for AI”, Foundations and Trends in Machine Learning: Vol. 2: No. 1, pp 1-127, 2009.
  • Li Deng and Dong Yu, "Deep Learning: Methods and Applications", Foundations and Trends in Signal Processing: Vol. 7: No. 3–4, pp 197-387, 2014.
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Öğrenciler etkinliği açısından yaygın derin öğrenme yöntemlerini değerlendirebilir.
  2. Öğrenciler kullanılması düşünelen derin öğrenme yönteminin avantaj ve dezavantajlarını değerlendirebilir.
  3. Öğrenciler temel derin öğrenme çözümleri tasarlayıp sınayabilir.
  4. Öğrenciler öngörülen çözüm için uygun derin öğrenme mimarisi ve algoritmasını belirleyip uygular.
  5. Öğrenciler derin modellerin düzenlenmesi ve optimizasyon yöntemleri hakında bilgi sahibidir.

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Giriş – Tarihçe ve Teorik TemellerHinton, G. E, Osindero, S., and Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18:1527-1554. Bengio, Y., Lamblin, P., Popovici, P., Larochelle, H. (2007). Greedy Layer-Wise Training of Deep Networks, Advances in Neural Information Processing Systems.
2Matematiksel Temeller: Lineer Cebir, Olasılık ve Bilgi TeorisiDers Kitabı 1,2.3 ve 4. bölüm
3Yapay Sinir Ağları Temel BilgilerDers Kitabı 5. Bölüm J. Schmidhuber. Deep Learning in Neural Networks: An Overview. Neural Networks, Volume 61, January 2015, Pages 85-117.
4İleri Beslemeli Derin AğlarDers Kitabı 6. bölüm
5Derin veya Dağıtık Modellerin DüzenlenmesiDers Kitabı 7. bölüm
6Derin Modellerin Eğitimi için Optimizasyon TeknikleriDers Kitabı 8. bölüm
7Konvolüsyonel AğlarDers Kitabı 9. bölüm
8Ara Sınav 1
9Ders Kitabı 15. bölüm
10Otomatik Kodlayıcılar ve Lineer Faktör ModelleriDers Kitabı 15. bölüm
11Temsil Yoluyla ÖğrenmeDers Kitabı 16. bölüm
12Derin Üretken Modeller – Boltzman MakineleriDers Kitabı 20. bölüm
13Proje Sunumları
14Proje Sunumları
15Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev45
Sunum/Jüri110
Projeler130
Seminer/Workshop
Ara Sınavlar115
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati133
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması132
Derse Özgü Staj
Ödev49
Küçük Sınavlar/Stüdyo Kritiği
Projeler140
Sunum / Seminer118
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)130
Final (Sınav Süresi + Sınav Hazırlık Süresi)130
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok