Ders Bilgileri
| Ders Kodu | YPZ312 |
| Program | Yapay Zeka Mühendisliği |
| Dil | Türkçe |
| Düzey | Lisans |
| Türü | Seçmeli |
| Ön Koşul | Makine Öğrenmesi |
| Teori | 2 Saat |
| Uygulama | 1 Saat |
| Laboratuvar | — |
| Kredi | 2.50 |
| AKTS | 6.00 |
| Veriliş | Yüz yüze |
| Öğretim Üyesi | Dr. Öğr. Üyesi Ramazan Özgür Doğan |
Dersin Amacı
Bu dersin amacı, öğrencilere yapay sinir ağlarının (YSA) temel kavramsal ve matematiksel altyapısını kazandırmaktır. Öğrenciler; yapay nöron, perceptron ve çok katmanlı ağlardan geri yayılıma, radyal tabanlı fonksiyon ağlarından öz-düzenleyici haritalar (SOM), LVQ ve Hopfield ağlarına uzanan klasik YSA modellerini öğrenir; ağların yapısını, öğrenme kurallarını ve eğitim süreçlerini kavrar; sınıflandırma, kümeleme ve tahmin problemlerine uygun ağ mimarilerini seçip uygulamalı olarak gerçekler; dönem sonunda evrişimli sinir ağlarına (CNN) giriş yaparak derin öğrenme dersine sağlam bir temelle hazırlanır.
Ders İçeriği
Yapay sinir ağlarına giriş ve temel kavramlar; biyolojik esin ve yapay nöron modeli; aktivasyon fonksiyonları; öğrenme paradigmaları ve öğrenme kuralları (Hebb, delta); ayrık ve sürekli perceptron, doğrusal ayrılabilirlik; çok katmanlı algılayıcı ve ileri besleme; geri yayılım (genelleştirilmiş delta kuralı); öğrenmeyi etkileyen faktörler ve genelleme; radyal tabanlı fonksiyon (RBF) ağları; danışmansız öğrenme, öz-düzenleyici haritalar (SOM) ve LVQ; geri beslemeli ağlar, Hopfield ve çağrışımsal bellek, ART; derin ağlara geçiş ve evrişimli sinir ağları (CNN) temelleri ile mimarileri.
Haftalık Program
| Hafta | Konu |
|---|---|
| 1 | Yapay sinir ağlarına giriş; temel kavramlar, tarihçe, biyolojik esin ve uygulama alanları |
| 2 | Yapay nöron modeli ve temel kavramlar; aktivasyon fonksiyonları |
| 3 | Öğrenme paradigmaları ve öğrenme kuralları (Hebb, delta/Widrow–Hoff) |
| 4 | Sınıflandırma ve ayrık (eşik aktivasyonlu) perceptron; doğrusal ayrılabilirlik |
| 5 | Sürekli (sigmoid) perceptron ve doğrusal ayrıştırılamayan örüntüler |
| 6 | Çok katmanlı algılayıcı (ÇKA) ve ileri besleme |
| 7 | Geri yayılım — genelleştirilmiş delta kuralı |
| 8 | Öğrenmeyi etkileyen faktörler, genelleme ve başarım değerlendirme |
| 9 | Ara Sınav |
| 10 | Radyal tabanlı fonksiyon (RBF) ağları |
| 11 | Danışmansız öğrenme; yarışmacı öğrenme ve öz-düzenleyici haritalar (SOM/Kohonen) |
| 12 | Öğrenmeli vektör kuantalama (LVQ) ve kümeleme |
| 13 | Geri beslemeli ağlar; Hopfield, çağrışımsal bellek ve ART |
| 14 | Derin ağlara geçiş ve evrişimli sinir ağları (CNN) temelleri |
| 15 | CNN mimarileri (AlexNet, VGG, ResNet, YOLO) ve proje sunumları |
| 16 | Dönem Sonu Sınavı |
Değerlendirme
| Bileşen | Ağırlık |
|---|---|
| Dönem Sonu Sınavı | %40 |
| Ara Sınav | %30 |
| Proje | %20 |
| Ödev | %10 |
Yarıyıl içi çalışmalar başarı notuna %60, dönem sonu sınavı %40 katkı sağlar.
Dersin Öğrenme Çıktıları
Bu dersi başarıyla tamamlayan öğrenciler:
- Biyolojik esinli yapay nöron modelini ve bir sinir ağının temel bileşenlerini (ağırlık, toplama, aktivasyon, eşik) açıklayabilir.
- Danışmanlı, danışmansız ve pekiştirmeli öğrenme paradigmalarını ve temel öğrenme kurallarını (Hebb, delta/Widrow–Hoff, yarışmacı) ayırt edebilir.
- Ayrık ve sürekli perceptron ile çok katmanlı algılayıcının çalışma ilkelerini kavrayarak geri yayılım algoritmasını türetebilir ve bir ağı eğitebilir.
- Aşırı/eksik öğrenme, genelleme, öğrenme oranı ve ağ boyutlandırma gibi eğitim faktörlerini yönetebilir ve model başarımını uygun ölçütlerle değerlendirebilir.
- Radyal tabanlı fonksiyon (RBF) ağlarını fonksiyon yaklaşımı ve sınıflandırma problemlerine uygulayabilir.
- Öz-düzenleyici haritalar (SOM), LVQ ve yarışmacı öğrenme ile kümeleme ve vektör kuantalama problemlerini çözebilir.
- Hopfield ağları ile çağrışımsal belleği ve ART'nin kararlılık–esneklik yaklaşımını açıklayabilir.
- Klasik YSA'dan derin öğrenmeye geçiş gereğini kavrayarak evrişimli sinir ağlarının (CNN) temel yapı taşlarını ve mimarilerini tanıyabilir.
Önerilen Ders Kitapları
- Öztemel, E. Yapay Sinir Ağları. Papatya Yayıncılık.
- Haykin, S. Neural Networks and Learning Machines. Pearson.
- Ders sunumları ve laboratuvar/uygulama materyalleri.
Yardımcı Kaynaklar
- Hagan, M. T., Demuth, H. B., & Beale, M. Neural Network Design.
- Fausett, L. Fundamentals of Neural Networks.
- Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning (CNN bölümleri). MIT Press.