Ders Öğretim Planı

PYTHON İLE DERİN ÖĞRENME

1	Dersin Adı:	PYTHON İLE DERİN ÖĞRENME
2	Dersin Kodu:	IYS4220
3	Dersin Türü:	Seçmeli
4	Dersin Seviyesi:	Lisans
5	Dersin Verildiği Yıl:	4
6	Dersin Verildiği Yarıyıl:	8
7	Dersin AKTS Kredisi:	6
8	Teorik Ders Saati (saat/hafta):	3
9	Uygulama Ders Saati (saat/hafta):	0
10	Laboratuar Ders Saati (saat/hafta):	0
11	Dersin Önkoşulu	Dersin ön koşulu bulunmaktadır.
12	Ders İçin Önerilen Diğer Hususlar	Yok
13	Dersin Dili:	Türkçe
14	Dersin Veriliş Şekli	Yüz yüze
15	Dersin Koordinatörü:	Prof. Dr. MELİH ENGİN
16	Dersi Veren Diğer Öğretim Elemanları:	Doç. Dr. Melih Engin
17	Ders Koordinatörünün İletişim Bilgileri:	melihengin@uludag.edu.tr
18	Dersin Web Adresi:
19	Dersin Amacı	Farklı tip verilerden elde edilen üst düzey özellikleri derin mimarilerden yararlanarak öğrenmek için kullanılabilecek yöntemlerinin sunulması ve bu yöntemlerin görüntü tanımadan robot kontrolüne kadar farklı amaçlar için nasıl uygulanabileceğinin gösterilmesi.
20	Dersin Mesleki Gelişime Katkısı:	Derin öğrenmenin tarihçesi ve teorik avantajları, Derin öğrenme için kullanılabilecek temel yapay sinir ağı mimarileri ve öğrenme algoritmaları, Dağıtık Modellerin Düzenlenmesi, Derin Modellerin Eğitimi için Optimizasyon Teknikleri, Konvolüsyonel ağlar, Geri beslemeli ve özyineli ağlar, Otomatik Kodlayıcılar ve Lineer Faktör Modelleri, Temsil Yoluyla Öğrenme, Derin Üretken Modeller – Boltzman Makineleri.

Ders Öğrenme Kazanımları

1	Öğrenciler etkinliği açısından yaygın derin öğrenme yöntemlerini değerlendirebilir. ;
2	Öğrenciler kullanılması düşünelen derin öğrenme yönteminin avantaj ve dezavantajlarını değerlendirebilir. ;
3	Öğrenciler temel derin öğrenme çözümleri tasarlayıp sınayabilir. ;
4	Öğrenciler öngörülen çözüm için uygun derin öğrenme mimarisi ve algoritmasını belirleyip uygular. ;
5	Öğrenciler derin modellerin düzenlenmesi ve optimizasyon yöntemleri hakında bilgi sahibidir. ;

22	Dersin İçeriği

Hafta	Teori	Uygulama
1	Giriş – Tarihçe ve Teorik Temeller
2	Matematiksel Temeller: Lineer Cebir, Olasılık ve Bilgi Teorisi
3	Yapay Sinir Ağları Temel Bilgiler
4	İleri Beslemeli Derin Ağlar
5	Derin veya Dağıtık Modellerin Düzenlenmesi
6	Derin Modellerin Eğitimi için Optimizasyon Teknikleri
7	Konvolüsyonel Ağlar
8	Konvolüsyonel Ağlar
9	Otomatik Kodlayıcılar ve Lineer Faktör Modelleri
10	Temsil Yoluyla Öğrenme
11	Derin Üretken Modeller – Boltzman Makineleri
12	Derin Üretken Modeller – Boltzman Makineleri
13	Proje Sunumları
14	Proje Sunumları

23	Ders Kitabı, Referanslar ve/veya Diğer Kaynaklar:	Hinton, G. E, Osindero, S., and Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18:1527-1554. Bengio, Y., Lamblin, P., Popovici, P., Larochelle, H. (2007). Greedy Layer-Wise Training of Deep Networks, Advances in Neural Information Processing Systems.
24	Değerlendirme

YARIYIL İÇİ ÇALIŞMALARI	SAYISI	KATKI YÜZDESİ
Ara Sınav	1	40
Kısa Sınav	0	0
Ödev	0	0
Yıl sonu Sınavı	1	60
Toplam	2	100
Yıl içi çalışmalarının Başarıya Oranı		40
Finalin BAşarıya Oranı		60
Toplam		100
Derste Kullanılan Ölçme ve Değerlendirme Yaklaşımları	Klasik Sınav
Açıklama	Ders konuları üzerine sınav

AKTS / İŞ YÜKÜ TABLOSU

Etkinlik	SAYISI	Süresi [Saat]	Toplam İş Yükü [Saat]
Teorik Dersler	14	3	42
Uygulamalı Dersler	0	0	0
Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, pekiştirme)	10	13	130
Ödevler	0	0	0
Projeler	0	0	0
Arazi Çalışmaları	0	0	0
Arasınavlar	1	4	4
Diğer	0	0	0
Yarıyıl Sonu Sınavları	1	4	4
Toplam İş Yükü			180
Toplam İş Yükü / 30 saat			6
Dersin AKTS Kredisi			6

PROGRAM YETERLİLİKLERİ İLE DERS ÖĞRENİM KAZANIMLARI İLİŞKİSİ TABLOSU

ÖK: Öğrenim Kazanımları

PY: Program Yeterlilikleri

Katkı Düzeyi:

1 Çok Düşük

2 Düşük

3 Orta

4 Yüksek

5 Çok Yüksek