| Yapay Zeka Mühendisliği (YL) (Tezli) (İngilizce) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu: | AIE510 | ||||||||
| Ders İsmi: | Deep Learning | ||||||||
| Ders Yarıyılı: | Güz | ||||||||
| Ders Kredileri: |
|
||||||||
| Öğretim Dili: | EN | ||||||||
| Ders Koşulu: | |||||||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||||||
| Dersin Türü: | Bölüm Seçmeli | ||||||||
| Dersin Seviyesi: |
|
||||||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||||||
| Dersin Koordinatörü: | Dr.Öğr.Üyesi MAHSA MIKAEILI | ||||||||
| Dersi Veren(ler): |
|
||||||||
| Dersin Yardımcıları: |
| Dersin Amacı: | Derin Öğrenme dersinin amacı, öğrencilere derin sinir ağları ve uygulamaları konusunda sağlam bir teorik temel ve pratik deneyim kazandırmaktır. Ders süresince öğrenciler, sinir ağı mimarileri, eğitim stratejileri, optimizasyon teknikleri ve çeşitli derin öğrenme modellerini keşfedeceklerdir. Müfredat, temel çok katmanlı algılayıcılardan ileri düzey konulara kadar geniş bir yelpazeyi kapsar; bunlar arasında transformerlar, grafik sinir ağları, üretici modeller ve kendi kendine denetimli öğrenme bulunmaktadır. Dersin sonunda öğrenciler, gerçek dünya problemleri için derin öğrenme modelleri geliştirme, eğitme ve analiz etme konusunda yetkinlik kazanacaktır. |
| Dersin İçeriği: | 1) Derin öğrenmeye Giriş 2) Makine Öğrenmesine Genel Bakış 3) Çok Katmanlı Algılayıcı (Multi-Layer Perceptron) 4) Derin Sinir Ağlarını Eğitme 5) Evriltmeli Sinir Ağları (Convolutional Neural Networks - CNN) 6) Evriltmeli Sinir Ağlarını Anlama ve Görselleştirme 7) Tekrarlayan Sinir Ağları (Recurrent Neural Networks - RNN) 8) Dikkat Mekanizmaları ve Transformerlar 9) Grafik Sinir Ağları (Graph Neural Networks - GNN) 10) Üretici Çekişmeli Ağlar (Generative Adversarial Networks - GAN) 11) Oto-Regresif ve Akış Modelleri (Autoregressive and Flow Models) 12) Varyasyonel Otokodlayıcılar ve Gürültü Giderme Yayılma Modelleri (Variational Autoencoders and Denoising Diffusion Models) 13) Kendi Kendine Denetimli Öğrenme (Self-Supervised Learning) 14) Proje Sunumu |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
|||||||||||||||||||||||||||||||||
| Hafta | Konu | Ön Hazırlık |
| 1) | Derin öğrenmeye giriş | 1 Bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 2) | Makine Öğrenmesine Genel Bakış | 5 bölüm "Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016" |
| 3) | Çok Katmanlı Algılayıcı (Multi-Layer Perceptron) | 6 bölüm "Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016" |
| 4) | Derin Sinir Ağlarını Eğitme | 7 ve 8 bölüm "Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016" |
| 5) | Evriltmeli Sinir Ağları (Convolutional Neural Networks - CNN) | 9 Bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 6) | Evriltmeli Sinir Ağlarını Anlama ve Görselleştirme | 9 bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 7) | Tekrarlayan Sinir Ağları (Recurrent Neural Networks - RNN) | 10 bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 8) | Dikkat Mekanizmaları ve Transformerlar | 10 Bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 9) | Grafik Sinir Ağları (Graph Neural Networks - GNN) | 13 Bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 10) | Üretici Çekişmeli Ağlar (Generative Adversarial Networks - GAN) | 13 Bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 11) | Oto-Regresif ve Akış Modelleri (Autoregressive and Flow Models) | 14 Bölüm Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| 12) | Varyasyonel Otokodlayıcılar ve Gürültü Giderme Yayılma Modelleri (Variational Autoencoders and Denoising Diffusion Models) | 1) Tutorial on Variational Autoencoders, Carl Doersch. 2) An Introduction to Variational Autoencoders, Diederik P. Kingma, Max Welling. 3) Diffusion Models: A Comprehensive Survey of Methods and Applications, Ling Yang et al |
| 13) | Kendi Kendine Denetimli Öğrenme (Self-Supervised Learning) | 1) Self-supervised learning: The dark matter of intelligence, Yann LeCun and Ishan Misra. 2) Self-Supervised Representation Learning, Lilian Weng. |
| 14) | Proje Sunumları |
| Ders Notları / Kitaplar: | Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| Diğer Kaynaklar: | Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016 |
| Ders Öğrenme Kazanımları | 1 |
2 |
||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Program Kazanımları | ||||||||||
| 1) Proje yönetimi ile risk yönetimi ve değişiklik yönetimi gibi iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik ve sürdürebilir kalkınma hakkında farkındalık. | ||||||||||
| 2) Matematik, fen bilimleri ve kendi dalları ile ilgili mühendislik konularında yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri mühendislik problemlerini modelleme ve çözme için uygulayabilme becerisi. | ||||||||||
| 3) Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | ||||||||||
| 4) 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. (Gerçekçi kısıtlar ve koşullar tasarımın niteliğine göre, ekonomi, çevre sorunları, sürdürülebilirlik, üretilebilirlik, etik, sağlık, güvenlik, sosyal ve politik sorunlar gibi ögeleri içerirler.) | ||||||||||
| 5) Mühendislik uygulamaları için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | ||||||||||
| 6) Mühendislik problemlerinin incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. | ||||||||||
| 7) Tözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi. | ||||||||||
| 8) Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. | ||||||||||
| 9) Mesleki ve etik sorumluluk bilinci. | ||||||||||
| 10) Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ile çağın sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | ||||||||||
| 11) Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | ||||||||||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Proje yönetimi ile risk yönetimi ve değişiklik yönetimi gibi iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik ve sürdürebilir kalkınma hakkında farkındalık. | 3 |
| 2) | Matematik, fen bilimleri ve kendi dalları ile ilgili mühendislik konularında yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri mühendislik problemlerini modelleme ve çözme için uygulayabilme becerisi. | 4 |
| 3) | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | 2 |
| 4) | 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. (Gerçekçi kısıtlar ve koşullar tasarımın niteliğine göre, ekonomi, çevre sorunları, sürdürülebilirlik, üretilebilirlik, etik, sağlık, güvenlik, sosyal ve politik sorunlar gibi ögeleri içerirler.) | |
| 5) | Mühendislik uygulamaları için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | |
| 6) | Mühendislik problemlerinin incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. | |
| 7) | Tözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi. | |
| 8) | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. | 3 |
| 9) | Mesleki ve etik sorumluluk bilinci. | |
| 10) | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ile çağın sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | |
| 11) | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | 3 |
| Anlatım | |
| Beyin fırtınası /Altı şapka | |
| Bireysel çalışma ve ödevi | |
| Ders | |
| Ödev | |
| Soru cevap/ Tartışma |
| Yazılı Sınav (Açık uçlu sorular, çoktan seçmeli, doğru yanlış, eşleştirme, boşluk doldurma, sıralama) | |
| Ödev | |
| Uygulama | |
| Bireysel Proje | |
| Sunum | |
| Raporlama |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 2 | % 10 |
| Projeler | 1 | % 25 |
| Ara Sınavlar | 1 | % 25 |
| Final | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Proje | 1 | 3 | 3 |
| Ödevler | 2 | 3 | 6 |
| Ara Sınavlar | 1 | 2 | 2 |
| Final | 1 | 2 | 2 |
| Toplam İş Yükü | 55 | ||