Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | İŞD518 | Sosyal Bilimlerde Yapay Zeka Uygulamaları II | Seçmeli | 1 | 2 | 6 |
|
Dersin Seviyesi |
Doktora |
Dersin Amacı |
Dersin amacı öğrencilerin: i)temel yapay sinir ağ modellerini ve öğrenme algoritmalarını bilmelerini ve ii) yapay sinir ağ modellerini ve ilişkin öğrenme algoritmalarını işaret işleme ve kontrol uygulamalarında kullanabilmelerini hedefler |
Dersi Veren Öğretim Görevlisi/Görevlileri |
Doç. Dr. Hakan PABUÇCU |
Öğrenme Çıktıları |
1 | Yapay sinir ağ modellerini ve algoritmalarını yapı, kullanım biçimi ve kullanım yeri açılarından sınıflayabilmeli, | 2 | Bir uygulama için uygun yapay sinir ağ modeli ve öğrenme algoritmasını seçebilmeli | 3 | Öğrenme algoritmalarını bir yazılım ortamında etkin biçimde koşturabilmeli | 4 | Yapay sinir ağ modelleri ve öğrenme algoritmalarını işaret işleme ve kontrol uygulamalarında kullanabilmeli |
|
Öğrenim Türü |
Birinci Öğretim |
Dersin Ön Koşulu Olan Dersler |
Yok |
Ders İçin Önerilen Diğer Hususlar |
Yok |
Dersin İçeriği |
Yapay sinir ağ mimarileri ve öğrenme algoritmaları. Çok katmanlı algılayıcı, radyal taban fonksiyonlu ağlar ve destek vektör makineleri. Regresyon / fonksiyon yaklaşımı, sınıflama ve öbekleme. İşaret işleme, filtreleme ve örüntü tanıma için yapay sinir ağları. Sistem tanılama ve kontrol için yapay sinir ağları. |
Haftalık Ayrıntılı Ders İçeriği |
|
1 | 1 Biyolojiksel motivasyon.Tarihsel bakış | | | 2 | Yapay sinir ağ modellerinin ve öğrenme algoritmalarının sınıflandırılması | | | 3 | Uyarlanır doğrusal eleman, en küçük kareler algoritması ve yakınsaklık analizi | | | 4 | Ayrık algılayıcı ve algılayıcı öğrenme kuralı | | | 5 | Çok-katmanlı algılayıcı, geriye yayılım algoritması ve çeşitleri ile yakınsaklık analizi, aşırı öğrenme | | | 6 | Radyal tabanlı ağlar, giriş ve giriş-çıkış öbekleme ile tasarım | | | 7 | Destek vector makineleri, Mercer teoremi, kernel gösterilimi, Lagrange çarpanları | | | 8 | 1. Ara Sınav | | | 9 | Genelleme, Vapnik-Chervonenkis boyutu | | | 10 | Yapay sinir ağları ile örüntü tanıma, öznitelik çıkarımı, boyut ve veri indirgeme | | | 11 | Yapay sinir ağları ile 1-boyutlu biyomedikal işaret işleme | | | 12 | Yapay sinir ağları ile biyomedikal görüntü işleme | | | 13 | 2. Arasınav | | | 14 | Yapay sinir ağları ile system tanılama | | | 15 | Gözden Geçirme | | | 16 | Final Sınavı | | |
|
Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
Introduction. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761.
Lecture Notes. |
Planlanan Öğrenme Aktiviteleri ve Metodları |
|
Değerlendirme | |
Ara Sınav | 1 | 100 | TOPLAM | 100 | |
Final Sınavı | 1 | 100 | TOPLAM | 100 | Yarıyıl (Yıl) İçi Etkinlikleri | 30 | Yarıyıl (Yıl) Sonu Etkinlikleri | 70 | TOPLAM | 100 |
| Dersin Sunulduğu Dil | Türkçe | Staj Durumu | Yok |
|
İş Yükü Hesaplaması |
|
Ara Sınav | 1 | 15 | 15 |
Final Sınavı | 1 | 40 | 40 |
Derse Katılım | 16 | 3 | 48 |
Bireysel Çalışma | 15 | 2 | 30 |
Ev Ödevi | 5 | 10 | 50 |
|
Program ve Öğrenme Çıktıları İlişkisi |
ÖÇ1 | 3 | 4 | 4 | 4 | 5 | 5 | ÖÇ2 | 1 | 3 | 2 | 3 | 2 | 2 | ÖÇ3 | 2 | 5 | 5 | 2 | 3 | 3 | ÖÇ4 | 4 | 3 | 2 | 4 | 2 | 4 |
|
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |
|
|