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
Kaynak: https://obs.samsun.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=376905&lang=tr · toplandı 12.11.2026 22:30
Bölüm durumu
Tüm dersler →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)
| Kural | Alan | Önem | Gerekçe | Mevcut | Beklenen | Öneri |
|---|---|---|---|---|---|---|
| R1 Zorunlu alanlar filled · tr | teaching_methods | düşük | 'Yöntem ve teknikler' alanı boş ya da yetersiz. | boş | dolu | 'Yöntem ve teknikler' alanını doldurun. |
| R1 Zorunlu alanlar filled · en | teaching_methods | düşük | 'Yöntem ve teknikler' alanı boş ya da yetersiz. | boş | dolu | 'Yöntem ve teknikler' alanını doldurun. |
| R7 Kaynaklar year_present · tr | references | düşük | Kaynakların çoğunda yayın yılı yazılmamış. | 0/2 kaynakta yayın yılı var | en az %50 | Kaynaklara yayın yılı (ve baskı bilgisi) ekleyin. |
| R7 Kaynaklar bibliographic_form · tr | references | düşük | Bazı kaynak satırları künye olamayacak kadar kısa (yazar, eser adı, yıl eksik). | 1 yetersiz künye: ['Ders Notları'] | 0 yetersiz künye | Kaynakları 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 Courville | kaynaklar |
| — | Ders Notları | ders notları |
- 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
- Öğrenciler, yapay sinir ağlarının temel prensiplerini anlayacak ve uygulayabileceklerdir.
- Öğrenciler, derin öğrenme algoritmalarını, CNN'ler, LSTM'ler gibi önde gelen yapıları kavrayacak ve gerçek veri kümeleriyle çalışarak deneyimleyeceklerdir.
- Öğrenciler, derin öğrenme modellerinin matematiksel temellerini ve optimizasyon tekniklerini öğreneceklerdir.
- Öğrenciler, derin öğrenme modellerinin performansını değerlendirebilecekleri ölçme ve değerlendirme yöntemlerini anlayacaklardır.
- Öğrenciler, endüstriyel ve akademik alanlarda derin öğrenme tekniklerini başarıyla uygulayabileceklerdir.
Değerlendirme
| Ara Sınav | 1 | %40 |
| Yarıyıl Sonu Sınavı | 1 | %60 |
AKTS iş yükü (180 saat → tabloda 6 AKTS)
| Ders Süresi | 13 × 3 | 39 saat |
| Sınıf Dışı Ç. Süresi | 8 × 8 | 64 saat |
| Ödevler | 8 × 8 | 64 saat |
| Ara Sınavlar | 1 × 1 | 1 saat |
| Proje | 1 × 11 | 11 saat |
| Yarıyıl Sonu Sınavı | 1 × 1 | 1 saat |
Haftalık konular
| 1 | Derin öğrenmenin temel kavramları, yapay sinir ağlarının gelişimi ve önemi. |
| 2 | Yapay sinir ağlarının yapısı, sınıflandırma ve regresyon problemleri için temel modeller. |
| 3 | CNN'lerin prensipleri, özellik çıkarma, evrişimli katmanlar ve uygulamaları. |
| 4 | Geriye Yayılım Algoritması, ağın eğitimi, kayıp fonksiyonları ve optimizasyon yöntemleri. |
| 5 | Görüntü sınıflandırma problemleri, uygulama örnekleri ve projeler. |
| 6 | Doğal dil işleme, sentiment analizi ve örnek uygulamalar. |
| 7 | Ara Sınav |
| 8 | Nesne algılama, yüz tanıma teknikleri ve uygulamaları. |
| 9 | Derin öğrenmenin duyarlılık ve etik konuları, veri gizliliği. |
| 10 | Model iyileştirme, hiperparametre optimizasyon teknikleri. |
| 11 | Transfer öğrenimi, önceden eğitilmiş modeller. |
| 12 | Generative Adversarial Networks (GANs), derin taklit öğrenme. |
| 13 | Proje Sunumu - I |
| 14 | Proje Sunumu - II |
| 15 | Dönem Sonu Sınavı |