Yazılım Mühendisliği / seçmeli havuz

YZM393 · Yapay Sinir Ağları

T+U+Li 3+0+0 · Kredi 3 · AKTSi 6 (müfredatta 6) · Seçmeli · kategori: regular · sitede son güncelleme 08.06.2026
Kural denetimii
geçti: 38kaldı: 3muaf: 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 (3)

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.

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
—Deep Learning (Adaptive Computation and Machine Learning series) - Ian Goodfellow (Author), Yoshua Bengio (Author), Aaron Courville (Author)kaynaklar
—Deep Learning (Adaptive Computation and Machine Learning series) - Ian Goodfellow (Author), Yoshua Bengio (Author), Aaron Courville (Author)ders notları

Orijinal bilgi paketi

Ad
Yapay Sinir Ağları
Amaç
Yapay Sinir Ağları dersi, öğrencilere yapay zeka ve makine öğrenimi alanındaki en önemli tekniklerden biri olan yapay sinir ağlarını anlama ve uygulama becerisi kazandırır. Bu ders, öğrencilere derin bir anlayış sağlayarak, yapay sinir ağlarının gelecekteki potansiyelini ve uygulama alanlarını keşfetmelerini sağlar.
İçerik
Yapay Sinir Ağlarının Temel Prensipleri, Yapay Sinir Ağlarının Çalışma Prensibi, Farklı Sinir Ağı Modelleri, Derin Öğrenme Prensipleri, Yapay Sinir Ağları ve Makine Öğrenimi, Yapay Sinir Ağları ve Gelişmiş Uygulamalar
Yöntem ve teknikler
—
Ön koşul
Yok
Öğretim dili
Türkçe

Öğrenme çıktıları

  1. Yapay sinir ağlarının temel prensiplerini ve çalışma şeklini anlayabileceklerdir.
  2. Biyolojik sinir sistemi ve yapay sinir hücresi modeli arasındaki ilişkiyi kurabileceklerdir.
  3. Perceptron, Adaline gibi temel sinir ağı modellerini tanımlayabilecek ve uygulayabileceklerdir.
  4. Çok katmanlı yapay sinir ağları (MLP) ve geri yayılım algoritmasını (backpropagation) anlayabileceklerdir.
  5. Konvolüsyonel sinir ağları (CNN) ve yinelemeli sinir ağları (RNN) gibi karmaşık modellerin çalışma prensiplerini kavrayabileceklerdir.

Değerlendirme

Ara Sınav1%40
Yarıyıl Sonu Sınavı1%60

AKTS iş yükü (180 saat → tabloda 6 AKTS)

Ders Süresi14 × 342 saat
Sınıf Dışı Ç. Süresi14 × 456 saat
Ödevler14 × 342 saat
Ara Sınavlar1 × 2020 saat
Yarıyıl Sonu Sınavı1 × 2020 saat

Haftalık konular

1Giriş: Yapay Sinir Ağları Nedir?
2Biyolojik Sinir Sistemi ve Yapay Sinir Hücresi Modeli
3Temel Yapay Sinir Ağı Modelleri (Perceptron, Adaline)
4Aktivasyon Fonksiyonları
5Öğrenme Algoritmaları (Delta Kuralı)
6Çok Katmanlı Yapay Sinir Ağları (MLP)
7Ara Sınav
8Geri Yayılım Algoritması (Backpropagation)
9MLP Eğitimi ve Optimizasyon Teknikleri
10Konvolüsyonel Sinir Ağları (CNN)
11Görüntü İşleme ve CNN Uygulamaları
12CNN Mimarileri (LeNet, AlexNet, VGGNet)
13Yinelemeli Sinir Ağları (RNN)
14Doğal Dil İşleme ve RNN Uygulamaları
15Final Sınavı