Bilgisayar Mühendisliği
Dersin Ayrıntıları
KTO KARATAY ÜNİVERSİTESİ
Mühendislik ve Doğa Bilimleri Fakültesi
Bilgisayar Mühendisliği Programı
Ders Bolognaları
Mühendislik ve Doğa Bilimleri Fakültesi
Bilgisayar Mühendisliği Programı
Ders Bolognaları
| Ders Kodu | Ders Adı | Yıl | Dönem | Yarıyıl | T+U+L | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| 05071390 | Derin Öğrenmeye Giriş | 4 | Güz | 7 | 3+0+0 | 3 | 5 |
| Dersin Türü | Seçmeli |
| Dersin Düzeyi | Lisans (TYYÇ: 6. Düzey / QF-EHEA: 1. Düzey / EQF-LLL: 6. Düzey) |
| Dersin Dili | Türkçe |
| Yöntem ve Teknikler | - |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | - |
| Dersin Koordinatörü | - |
| Dersi Veren(ler) | Dr. Öğr. Üyesi Ali Osman ÇIBIKDİKEN |
| Yardımcı(lar) | - |
Dersin Öğretim Eleman(lar)ı
| Adı Soyadı | Oda No. | E-Posta Adresi | Dahili | Görüşme Saatleri |
|---|---|---|---|---|
| Dr. Öğr. Üyesi Ali Osman ÇIBIKDİKEN | A-124 | [email protected] | 7585 | Pazartesi 14.00-15.00 |
Dersin İçeriği
Öğrencilere; TensorFlow kavramını, ana işlevlerini, operasyonlarını ve yürütme kanalını anlamak, derin öğrenme algoritmalarını uygulamak, sinir ağlarını anlamak ve daha önce hiç olmadığı kadar veriyi anlamanızı sağlayacak, TensorFlow'da derin öğrenme modelleri geliştirecek ve yorumlayabilecek veri soyutlama katmanlarını hareket ettirecek sonuçlar, yapay sinir ağlarının dilini ve temel kavramlarını anlar.
Dersin Amacı
Bilgisayar bilimlerinde en popüler konulardan biri olan Deep Learning ile buluşma. Derin Öğrenme üzerinde çalışan profesyoneller tarafından en çok tercih edilen araç olan TensorFlow'u öğrenmek.
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | |
| Uzmanlık / Alan Dersleri | |
| Destek Dersleri | X |
| Aktarılabilir Beceri Dersleri | |
| Beşeri, İletişim ve Yönetim Becerileri Dersleri |
Dersin Öğrenim Kazanımlarının Program Kazanımları ile Olan İlişkileri
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Program Yeterlilikleri | Düzey |
|---|---|---|
| P1 | Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi | 5 |
| P3 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi | 5 |
Dersin Öğrenim Kazanımları
| Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir: | |||
|---|---|---|---|
| No | Öğrenme Çıktıları | Prog. Yet. İlişkisi | Ölçme Yöntemi ** |
| Ö1 | Makine Öğrenmesinin ve derin öğrenmenin temel kavramları | P.1.17 | 1 |
| Ö2 | Derin Öğrenme yöntemlerinin kullanılabileceği kütüphaneler hakkında bilgi sahibi olmak | P.1.18 | 1 |
| Ö3 | Derin Öğrenme yöntemlerinin gerçek uygulama alanlarında kullanımı hakkında bilgi sahibi olmak | P.3.25 | 1,7 |
| ** Yazılı Sınav: 1, Sözlü Sınav: 2, Ev Ödevi: 3, Lab./Sınav: 4, Seminer/Sunum: 5, Dönem Ödevi: 6, Uygulama: 7 | |||
Dersin Haftalık İçeriği
| Hafta | Konu |
|---|---|
| 1 | TensorFlow`a Giriş |
| 2 | Algılayıcılar |
| 3 | Aktivasyon Fonksiyonları |
| 4 | Yapay Sinir Ağları |
| 5 | Optimizasyon ve Düzenleme - Overfitting ve Kapasite |
| 6 | Optimizasyon ve Düzenleme - Özellik Seçimi |
| 7 | Optimizasyon ve Düzenleme - Regularization |
| 8 | Konvolüsyonlu Sinir Ağlarına Giriş |
| 9 | Uygulamalar |
| 10 | Derin Modellerin Eğitimi için Optimizasyon Teknikleri |
| 11 | Geriye Yayılım Algoritması |
| 12 | Graf Sinir Ağları ve Üretken Ağlar |
| 13 | İleri Segmentasyon Teknikleri |
| 14 | Final |
Ders Kitabı veya Malzemesi
| Kaynaklar | Simon J.D. Prince, "Understanding Deep Learning", MIT Press, https://udlbook.github.io/udlbook/, 2024. |
Değerlendirme Yöntemi ve Geçme Kriterleri
| Yarıyıl Çalışmaları | Sayısı | Katkı (%) |
|---|---|---|
| Devam | - | - |
| Laboratuvar | - | - |
| Uygulama | - | - |
| Derse Özgü Staj (Varsa) | - | - |
| Ödev | - | - |
| Sunum | - | - |
| Projeler | - | - |
| Kısa sınav (Quiz) | - | - |
| Ara Sınavlar | 1 | 40 (%) |
| Yarıyıl Sonu Sınavı | 1 | 60 (%) |
| Toplam | 100 (%) | |
AKTS / Çalışma Yükü Tablosu
| Etkinlik | Sayı | Süre | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Hafta Sayısı ve Saati | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, Kütüphane, Pekiştirme) | 14 | 2 | 28 |
| Ara Sınav | 1 | 3 | 3 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Laboratuvar | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Atölye | 0 | 0 | 0 |
| Sunum/Seminer Hazırlama | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Dönem Sonu Sınavı | 1 | 3 | 3 |
| Diğer | 0 | 0 | 0 |
| Toplam İş Yükü: | 76 | ||
| Toplam Yük / 30 | 2,53 | ||
| Dersin AKTS Kredisi: | 3 | ||
Ders - Öğrenme Çıktıları İlişkisi
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Öğrenme Çıktıları | P1 | P3 |
|---|---|---|---|
| Ö1 | Makine Öğrenmesinin ve derin öğrenmenin temel kavramları | 3 | - |
| Ö2 | Derin Öğrenme yöntemlerinin kullanılabileceği kütüphaneler hakkında bilgi sahibi olmak | - | 5 |
| Ö3 | Derin Öğrenme yöntemlerinin gerçek uygulama alanlarında kullanımı hakkında bilgi sahibi olmak | 2 | - |