Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
CSE 5085	YAPAY SİNİR AĞLARI	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

ÖĞR.GÖREVLİSİ ÖZLEM ÖZTÜRK

Dersi Alan Birimler

Bilgisayar Mühendisliği Yüksek Lisans
Bilgisayar Mühendisliği Tezsiz Yüksek Lisans
Bilgisayar Mühendisliği Tezsiz Yüksek Lisans (İ.Ö)
Bilgisayar Mühendisliği Bütünleşik Doktora
Bilgisayar Mühendisliği Doktora

Dersin Amacı

Bu dersin amacı, Çok Katlı Perseptronlar, Radyal temelli fonksiyon ağları veya Kendini Örgütleyen Makinaların (Self Organizing Maps) gibi çeşitli yapay sinir ağlarının anlaşılması ve bunların mühendislik problemlerinin çözümünde kullanılmasıdır.

Dersin Öğrenme Kazanımları

1	Gerçek beyinler ve yapay sinir ağları modelleri arasındaki bağlantıyı açıklayabilme
2	Çeşitli yapay sinir ağları hakkında detaylı bilgi sahibi olabilme
3	Yapay sinir ağlarının performansını analiz edebilme
4	Çeşitli ağ yapıları arasındaki farklılıkları anlayabilme
5	Yapay sinir ağlarını pratikte uygulayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Sinir Ağlarına Giriş ve Tarihçe. Biyolojik Sinir Ağları. Yapay Sinir Ağları.
2	Yapay Sinir Ağları. Tek Kademeli Perseptronlar. Tek Kademeli Perseptronlarda Öğrenme ve Genelleme.
3	Hebb Öğrenme. Gradient Descent Öğrenme
4	Genelleştirilmiş Delta Kuralı. Pratik Uygulamalar
5	Çok Katmanlı Perseptronlarda Öğrenme, Geri Yayılım Öğrenme
6	Momentum Öğrenme. Conjugate Gradient Öğrenme
7	Varyans ve Yanlılık, Alt ve Üste Yaklaşım, ARASINAV
8	Genellemeyi İyileştirme.
9	Çok-Katmanlı Perseptron Uygulamaları
10	Radyal Tabanlı Fonsiyon Ağlarına Giriş
11	Radyal Tabanlı Fonsiyon Ağ Algoritmaları, Uygulamaları Komite Makinaları
12	Kendini Örgütleyen Makinaların Prensipleri, Algoritmaları ve Uygulamaları
13	Vektör Nicemleme Öğrenme
14	Öğrenci Sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak: Haykin S, (1999) Neural Networks: A Comprehensive Foundation, Prentice Hall
Yardımcı kaynak: Gurney K, (1997) An Introduction to Neural Networks, Routledge.
Bishop C. M., (1995) Neural Networks for Pattern Recognition, Oxford University Press.

Öğrenme ve Öğretme Yöntemleri

Sunumlar, dönem projesi, makale araştırması ve sınavlar

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	PRJ	PROJE
2	ARS	ARASINAV
3	YYS	YARIYIL SONU SINAVI
4	YSBN	YIL SONU BAŞARI NOTU	PRJ * 0.30 + ARS * 0.30 + YYS * 0.40
5	BUT	BÜTÜNLEME
6	BUTBN	BÜTÜNLEME SONU BAŞARI NOTU	PRJ * 0.30 + ARS * 0.30 + BUT * 0.40

*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Öğrenme Çıktıları (ÖÇ) 1, 2, 3, 4, ve 5 yazılı sınavlarla değerlendirilecektir. ÖÇ 2, 3, 4, ve 5 ayrıca projeler ile değerlendirilir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

Dr. Özlem ÖZTÜRK
Dokuz Eylül Üniversitesi
Bilgisayar Mühendisliği Bölümü
Tınaztepe Yerleşkesi 35160 BUCA/İZMİR
Tel: (232) 301 74 17
E-Posta: ozlem.ozturk@cs.deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Salı 13:00 15:00

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	14	3	42
Haftalık Ders öncesi/sonrası hazırlıklar	14	2	28
Vize Sınavına Hazırlık	1	8	8
Final Sınavına Hazırlık	1	8	8
Sunum Hazırlama	2	6	12
Kitap Okuma	4	15	60
Tasarım Projesi	1	30	30
Vize Sınavı	1	2	2
Final Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			192

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.3	PK.4	PK.5	PK.6	PK.7	PK.8	PK.9	PK.10	PK.11
ÖK.1	4	4	4	4	4	4	4	4	4	3	3
ÖK.2	4	4	4	4	4	4	4	4	4	3	3
ÖK.3	4	4	4	4	4	4	4	4	4	3	3
ÖK.4	4	4	4	4	4	4	4	4	4	3	3
ÖK.5	4	4	4	4	4	4	4	4	4	3	3

DERS ADI

DERECE PROGRAMLARI