Yazılım Mühendisliği / seçmeli havuz

YZM362 · Derin Öğrenme

T+U+Li 3+0+0 · Kredi 3 · AKTSi 6 (müfredatta 6) · Seçmeli · kategori: regular · sitede son güncelleme 08.06.2026
Kural denetimii
geçti: 37kaldı: 4muaf: 0değerlendirilemedi: 1
İçerik uyumu (YZ)i
Henüz çalıştırılmadı.
Öğrenme çıktıları (YZ)i
Henüz çalıştırılmadı.
Kaynak ve ÖP uyumu (YZ)i
Henüz çalıştırılmadı.

Kural denetimi: geçmeyen kontroller (4)

KuralAlanÖnemGerekçeMevcutBeklenenÖneri
R1 Zorunlu alanlar
filled · tr
teaching_methods düşük'Yöntem ve teknikler' alanı boş ya da yetersiz.boşdolu'Yöntem ve teknikler' alanını doldurun.
R1 Zorunlu alanlar
filled · en
teaching_methods düşük'Yöntem ve teknikler' alanı boş ya da yetersiz.boşdolu'Yöntem ve teknikler' alanını doldurun.
R7 Kaynaklar
year_present · tr
references düşükKaynakların çoğunda yayın yılı yazılmamış.0/2 kaynakta yayın yılı varen az %50Kaynaklara yayın yılı (ve baskı bilgisi) ekleyin.
R7 Kaynaklar
bibliographic_form · tr
references düşükBazı kaynak satırları künye olamayacak kadar kısa (yazar, eser adı, yıl eksik).1 yetersiz künye: ['Ders Notları']0 yetersiz künyeKaynakları yazar, eser adı, yayınevi ve yıl içerecek şekilde yazın.

Kaynak güncelliği (Modül D)i

Yalnızca sayfadaki yayın yıllarından hesaplanır. İçeriğin alanın güncel kapsamıyla karşılaştırılması güvenilir referans doküman gerektirdiği için değerlendirilemedi; model bilgisine dayalı güncellik iddiası üretilmez.

2 kaynak · 0 tanesinde yıl var · en yeni — · 10 yıldan eski 0
—Derin Öğrenme - Ian Goodfellow, Yoshua Bengio, Aaron Courvillekaynaklar
—Ders Notlarıders notları

Orijinal bilgi paketi

Ad
Derin Öğrenme
Amaç
Bu ders, öğrencilere derin öğrenme alanında temel kavramları ve ileri düzey teknikleri öğretmeyi amaçlar. Öğrencilerin yapay sinir ağları, derin sinir ağları, evrişimli sinir ağları (CNN'ler), uzun-kısa vadeli bellek (LSTM), derin olmayan öğrenme ve sentetik veri üretimi gibi derin öğrenme yöntemlerini anlamalarını ve uygulamalar geliştirebilmelerini hedefler. Ayrıca, derin öğrenmenin gerçek dünya problemlerinde nasıl kullanılabileceğini anlamalarını sağlayarak, endüstriyel ve akademik alanlarda başarılı bir şekilde uygulamalar yapmalarına yardımcı olur.
İçerik
Bu dersin içeriği, yapay sinir ağlarının temel prensiplerinden başlayarak, derin öğrenme algoritmalarının teorik ve pratik yönlerini kapsar. Öğrenciler, doğrusal regresyondan başlayarak, çok katmanlı yapay sinir ağlarına, evrişimli ve rekürrent sinir ağlarına kadar birçok farklı modeli öğrenirler. Ders ayrıca, derin öğrenme modelinin matematiksel temellerini, optimizasyon tekniklerini, ağın başarısını ölçme ve değerlendirme yöntemlerini de içerir. Uygulamalı dersler ve projeler aracılığıyla, öğrenciler öğrendikleri teknikleri gerçek veri kümeleriyle kullanarak deneyimlerler ve derin öğrenme alanında kendilerini geliştirme fırsatı bulurlar.
Yöntem ve teknikler
—
Ön koşul
Yok
Öğretim dili
Türkçe

Öğrenme çıktıları

  1. Öğrenciler, yapay sinir ağlarının temel prensiplerini anlayacak ve uygulayabileceklerdir.
  2. Öğrenciler, derin öğrenme algoritmalarını, CNN'ler, LSTM'ler gibi önde gelen yapıları kavrayacak ve gerçek veri kümeleriyle çalışarak deneyimleyeceklerdir.
  3. Öğrenciler, derin öğrenme modellerinin matematiksel temellerini ve optimizasyon tekniklerini öğreneceklerdir.
  4. Öğrenciler, derin öğrenme modellerinin performansını değerlendirebilecekleri ölçme ve değerlendirme yöntemlerini anlayacaklardır.
  5. Öğrenciler, endüstriyel ve akademik alanlarda derin öğrenme tekniklerini başarıyla uygulayabileceklerdir.

Değerlendirme

Ara Sınav1%40
Yarıyıl Sonu Sınavı1%60

AKTS iş yükü (180 saat → tabloda 6 AKTS)

Ders Süresi13 × 339 saat
Sınıf Dışı Ç. Süresi8 × 864 saat
Ödevler8 × 864 saat
Ara Sınavlar1 × 11 saat
Proje1 × 1111 saat
Yarıyıl Sonu Sınavı1 × 11 saat

Haftalık konular

1Derin öğrenmenin temel kavramları, yapay sinir ağlarının gelişimi ve önemi.
2Yapay sinir ağlarının yapısı, sınıflandırma ve regresyon problemleri için temel modeller.
3CNN'lerin prensipleri, özellik çıkarma, evrişimli katmanlar ve uygulamaları.
4Geriye Yayılım Algoritması, ağın eğitimi, kayıp fonksiyonları ve optimizasyon yöntemleri.
5Görüntü sınıflandırma problemleri, uygulama örnekleri ve projeler.
6Doğal dil işleme, sentiment analizi ve örnek uygulamalar.
7Ara Sınav
8Nesne algılama, yüz tanıma teknikleri ve uygulamaları.
9Derin öğrenmenin duyarlılık ve etik konuları, veri gizliliği.
10Model iyileştirme, hiperparametre optimizasyon teknikleri.
11Transfer öğrenimi, önceden eğitilmiş modeller.
12Generative Adversarial Networks (GANs), derin taklit öğrenme.
13Proje Sunumu - I
14Proje Sunumu - II
15Dönem Sonu Sınavı