ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE ECTS @ IUE

Ders Bilgi Formu ( BİL 555 )


   Temel bilgiler
Ders adı: Derin Öğrenme ve Uygulamaları
Ders kodu: BİL 555
Öğretim üyesi: Yrd. Doç. Dr. Yakup GENÇ
AKTS kredisi: 7.5
GTÜ kredisi: 3 (3+0+0)
Yılı, Dönemi: 1, 2, Güz ve Bahar
Dersin düzeyi: Yüksek lisans
Dersin tipi: Alan seçmeli
Öğretim dili: İngilizce
Öğretim şekli: Yüz yüze
Ön koşullar: yok
Staj durumu: Yok
Dersin amacı: Yapay öğrenmenin bir alt dalı olan derin öğrenme yöntemleri etiketli veya etiketsiz verilerden yüksek seviye soyut modelleme yapabilmektedir. Son yıllarda donanım ve algoritmalardaki gelişmeler bu yöntemlerin büyük veri analizi, bilgidayarla görme ve doğal dil işleme konularında sık kullanılmasını sağlamıştır. Bu ders ile derin öğrenme yöntemlerinin popülerliğinin ardında yatan teorik ve pratik yönleri calışılacaktır. Aynı zamanda pratik deneyim kazanılacaktır.
   Öğrenme çıktıları Yukarı

Bu dersi başarıyla tamamlayan öğrenciler, şu yetilere sahip olurlar:

  1. Makine öğrenmesi ve derin öğrenme konularında temel bilgilerin kazanımı.

    Program Çıktılarına Katkıları

    1. İleri düzey Bilgisayar Mühendisliği kavramlarını tanımlamak ve uygulamak
    2. Gelişmiş mühendislik problemlerini formüle edip çözmek
    3. Araştırma projesi doğrultusunda literatürü dikkatlice gözden geçirip, kendi sonuçları ile önceki literatür arasında bağlantı kurmak
    4. Disiplinlerarası etkileşim bulunan araştırma takımlarında etkin şekilde çalışmak
    5. Mevcut bilgiyi geliştirme yöntemleri bulmak
    6. Araştırma konusu ile ilgili fikir ve bulgularını sözlü ve yazılı olarak etkin şekilde ifade edebilmek

    Değerlendirme Tipi

    1. Yazılı sınav
    2. Ödev
    3. Seminer/sunum
    4. Dönem projesi
  2. Derin öğrenme yöntemlerinin (bilgisayarla görme, doğal dil işleme ve büyük veri gibi) alanlara uygulanması için bilgi ve beceri kazanımı.

    Program Çıktılarına Katkıları

    1. İleri düzey Bilgisayar Mühendisliği kavramlarını tanımlamak ve uygulamak
    2. Araştırma projesi doğrultusunda literatürü dikkatlice gözden geçirip, kendi sonuçları ile önceki literatür arasında bağlantı kurmak
    3. Disiplinlerarası etkileşim bulunan araştırma takımlarında etkin şekilde çalışmak
    4. Mevcut bilgiyi geliştirme yöntemleri bulmak
    5. Araştırma bulgularını seminer ve konferanslarda savunabilmek

    Değerlendirme Tipi

    1. Yazılı sınav
    2. Ödev
    3. Seminer/sunum
    4. Dönem projesi
  3. Derin öğrenme konularındaki son gelişmelere ilişkin literatür bilgisi kazanımı.

    Program Çıktılarına Katkıları

    1. İleri düzey Bilgisayar Mühendisliği kavramlarını tanımlamak ve uygulamak
    2. Disiplinlerarası etkileşim bulunan araştırma takımlarında etkin şekilde çalışmak
    3. Hızla değişen teknolojik çevreye adapte olabilmek için bilgi ve yetilerini sürekli geliştirmek
    4. Araştırma konusu ile ilgili fikir ve bulgularını sözlü ve yazılı olarak etkin şekilde ifade edebilmek
    5. Yeni profesyonel uygulamalar ve yetileri yorumlamak için farkındalık geliştirmek

    Değerlendirme Tipi

    1. Yazılı sınav
    2. Ödev
    3. Seminer/sunum
    4. Dönem projesi
   İçerik Yukarı
1. hafta: Makine Öğrenmesine Giriş
2. hafta: Makine Öğrenmesi Temelleri
3. hafta: Derin Öğrenme Araçları - Caffe, Torch, TensorFlow, Theano
4. hafta: Feedforward Deep Networks
5. hafta: Regularization of Deep or Distributed Models
6. hafta: Optimization for Training Deep Models
7. hafta: Convolutional Networks
8. hafta: Sequence Modeling: Recurrent and Recursive Nets
9. hafta: Structured Probabilistic Models for Deep Learning
10. hafta: Linear Factor Models and Auto-Encoders
11. hafta: Computer Vision Uygulamaları
12. hafta: Big Data Uygulamaları
13. hafta: Natural Language Processing Uygulamaları
14. hafta: Speech Processing Uygulamaları
15. hafta*: Proje Sunumları
16. hafta*: Final Sınavı
Ders kitapları ve materyaller: Deep Learning by Yoshua Bengio et al MIT Press, 2015
Önerilen kaynaklar: http://goodfeli.github.io/dlbook/
  * 15. ve 16. haftalar arası final sınavına hazırlık haftası bulunmaktadır.
Değerlendirme Yukarı
Değerlendirme tipi Hafta numarası Ağırlık (%)
Ara sınavlar (Vizeler): 0
Dönem içi diğer çalışmalar: 0
Proje: 4 40
Ödev: 1 30
Kısa sınav (Quiz): 0
Final sınavı: 16 30
  Toplam ağırlık:
(%)
   İş yükü Yukarı
Etkinlik Süre (Haftalık saat) Toplam hafta sayısı Dönem boyu toplam iş yükü
Dersler (Yüz yüze öğretme): 3 14
Ders dışı bireysel çalışma: 5 14
Uygulama, Rehberli problem çözme: 0 0
Ödev: 6 5
Dönem projesi: 5 7
Dönem projesi sunumu: 5 1
Kısa sınav (Quiz): 0 0
Ara sınav için bireysel çalışma: 0 0
Ara sınav (Vize): 0 0
Final sınavı için bireysel çalışma: 0 0
Final sınavı: 2 1
    Toplam işyükü:
    Toplam AKTS kredisi:
*
  * AKTS kredisi, toplam iş yükünün 25'e bölümüdür. (1 AKTS = 25 saatlik iş yükü)