Yapay Sinir Ağları(INF 522)
Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
---|---|---|---|---|---|---|---|
INF 522 | Yapay Sinir Ağları | 1 | 3 | 0 | 0 | 3 | 6 |
Ön Koşul | |
Derse Kabul Koşulları |
Dersin Dili | İngilizce |
Türü | Seçmeli |
Dersin Düzeyi | Yüksek Lisans |
Dersi Veren(ler) | Uzay ÇETİN (Email) |
Dersin Yardımcıları | |
Dersin Amacı | Yapay Sinir Ağları, makine öğrenmesi alanında en önemli algoritmalardan biri haline gelmiştir. Bu derste hem teorik hem de pratik açıdan Yapay Sinir Ağları algoritmaları derinlemesine incelencektir. |
İçerik |
Week 1: Introduction 2 Deep Learning and Pretrained Models (AlexNet) https://colab.research.google.com/drive/1mpWVBy6Xw5a57YHDMuwDJr9T-e_4kJtQ?usp=sharing Week 2:Introduction to Gradient Descent and Pytorch https://colab.research.google.com/drive/1pjWtFrP-p_QXl92DY6f6HIx8Yz7Ko8uq?usp=sharing Week 3: Linear Regression https://colab.research.google.com/drive/1FmRx6CkT8cmT7VMpKRZVL5WW0sHQDNrS?usp=sharing Week 3: Logistic Regression https://colab.research.google.com/drive/1Sx60Tb0SighWKeExWacr75jnGjgKusF0?usp=sharing Week 4: Artificial Neural Networks https://colab.research.google.com/drive/14c1Fr6c2k0ZgA0i4WNRLB1Io3FYw34YN?usp=sharing Week 5: AutoEncoders https://colab.research.google.com/drive/1YXQsI3fJZtZFkT5unClNLVcD1NAIFpPd?usp=sharing Week 6: Review https://curiousily.com/posts/build-your-first-neural-network-with-pytorch/ Week 7 : RNNs https://colab.research.google.com/drive/1a3NBrPuIPO4DCj__CJB1tI5AZ2xSflOI?usp=sharing Week 8: RNN AutoEncoders https://colab.research.google.com/drive/1uuBKDGastAUVWA5tCjwX5EPATDdmislg?usp=sharing Week 9:Convolutional Neural Networks https://colab.research.google.com/drive/1bUWQGZkTWhMlaUnerSCplllqON4BwnHr?usp=sharing Week 10: Convolutional AutoEncoders https://colab.research.google.com/drive/1A2UGAmMHRZPo7-GujNl7pyoTgR96Zes5 Week 11: Anomaly Detection On images https://colab.research.google.com/drive/11TROkbQ27Eq-bQFUR9cikRWQX2nNuuFI?usp=sharing https://colab.research.google.com/drive/1hZVDofk16ed_nUAsh9x2AvxvvPtfGpAa?usp=sharing Week 12 - Transformer from Scratch |
Dersin Öğrenme Çıktıları |
ÖÇ1: Yapay sinir ağlarının temel yapı taşlarını ve işleyişini anlar, sinir ağı bileşenlerini tanımlar, ağın matematiksel modelini kavrar ve eğitim süreçlerini açıklar. ÖÇ2: Farklı yapay sinir ağı mimarilerini, katmanlarını ve aktivasyon fonksiyonlarını ayırt eder, bir veri bilimi problemine uygun bir yapay sinir ağı mimarisi seçebilir ve ağın performansını değerlendirebilir. ÖÇ3: Yapay sinir ağı projelerini (i) problemin analizinden başlayarak (ii) veri toplama, (iii) veri ön işleme, (iv) model seçimi, (v) eğitim ve (vi) sonuçların değerlendirilmesi aşamalarını takip ederek başarılı bir şekilde gerçekleyebilir. ÖÇ4: Öğrendiği yapay sinir ağı konularını teknik ayrıntılarla ve etkili iletişim becerileri kullanarak sunabilir, aynı zamanda bu konularda sözlü ve yazılı iletişim becerilerini geliştirir. |
Öğretim Yöntemleri | Sözlü anlatım, tartışma, soru ve cevap |
Kaynaklar |
Yapay öğrenmeye hızlı bir giriş için aşağıdaki ders videolarıma göz atabilirsiniz. 1 - Yapay Öğrenme ve Gradyan İniş'e Giriş: https://lnkd.in/d8egNxrB 2 - Pytorch ve yapay sinir ağları ile sınıflandırma: https://lnkd.in/dbKnJguD 3 - Word2vec ve Büyük Dil Modellerinin Temelleri: https://lnkd.in/dURHDnAA --- Yapay öğrenme konusunda kendinizi daha da geliştirmek için aşağıdaki ders videolarıma bakabilirsiniz. 4- AutoEncoder'a Giriş: https://lnkd.in/dcvPBSSc 5- Matematiksel Temelleri ile ANN: https://lnkd.in/dGEb5BBM 6- RNN: https://lnkd.in/dvhS5seg Previous Video Lectures in English: - https://www.youtube.com/playlist?list=PLD4TWcPfbZO_8vnuQDRPJngcOvuUKDEnt |
Teori Konu Başlıkları
Hafta | Konu Başlıkları |
---|---|
1 | Derin Öğrenme ve Önceden Eğitilmiş Modellerin Tanıtımı (AlexNet) |
2 | Gradyan İniş ve PyTorch'a Giriş |
3 | Doğrusal Regresyon |
4 | Lojistik Regresyon |
5 | Yapay Sinir Ağları |
6 | AutoEncoders I |
7 | Embeddings I |
8 | AutoEncoders II |
9 | Embeddings II |
10 | RNN ve CNN Modelleri |
11 | Transformer Modeli I |
12 | Transformer Modeli II |
13 | Modellerin Birlikte Kullanımı |
14 | Döneme Bakış |
Uygulama Konu Başlıkları
Hafta | Konu Başlıkları |
---|---|
1 | |
2 | |
3 | |
4 | |
5 | |
6 | |
7 | |
8 | |
9 | |
10 | |
11 | |
12 | |
13 | |
14 |
Başarı Notuna Etki Oranları
Sayı | Katkı Payı | |
---|---|---|
Yarıyıl içi çalışmaların başarı notuna katkısı | 0 | 0 |
Yarıyıl sonu çalışmaların başarı notuna katkısı | 0 | 0 |
Toplam | 0 | 0 |
Yarıyıl İçi Çalışmaları
Sayı | Katkı Payı | |
---|---|---|
Ödevler | 1 | 20 |
Sunum | 0 | 0 |
Arasınavlar (Hazırlık Süresi Dahil) | 1 | 40 |
Proje | 1 | 40 |
Laboratuar | 0 | 0 |
Diğer Uygulamalar | 0 | 0 |
Kısa Sınavlar | 0 | 0 |
Dönem Ödevi / Projesi | 0 | 0 |
Portfolyo Çalışmaları | 0 | 0 |
Raporlar | 0 | 0 |
Öğrenme Günlükleri | 0 | 0 |
Bitirme Tezi/Projesi | 0 | 0 |
Seminer | 0 | 0 |
Diğer | 0 | 0 |
Toplam | 3 | 100 |
Numara | Program Yeterlilikleri | Puan | ||||
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 |
Etkinlikler | Sayı | Süre | Toplam İş Yükü |
---|---|---|---|
Toplam İş Yükü | 0 | ||
Toplam İş Yükü / 25 | 0,00 | ||
Dersin AKTS Kredisi | 0 |