| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | | İŞD511 | Sosyal Bilimlerde Yapay Zeka Uygulamaları I | Seçmeli | 1 | 1 | 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 |
 |
| |