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
Kaynak: https://obs.samsun.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=376584&lang=tr · toplandı 12.11.2026 22:32
Bölüm durumu
Tüm dersler →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)
| 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. |
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 |
- 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
- Yapay sinir ağlarının temel prensiplerini ve çalışma şeklini anlayabileceklerdir.
- Biyolojik sinir sistemi ve yapay sinir hücresi modeli arasındaki ilişkiyi kurabileceklerdir.
- Perceptron, Adaline gibi temel sinir ağı modellerini tanımlayabilecek ve uygulayabileceklerdir.
- Çok katmanlı yapay sinir ağları (MLP) ve geri yayılım algoritmasını (backpropagation) anlayabileceklerdir.
- Konvolüsyonel sinir ağları (CNN) ve yinelemeli sinir ağları (RNN) gibi karmaşık modellerin çalışma prensiplerini kavrayabileceklerdir.
Değerlendirme
| Ara Sınav | 1 | %40 |
| Yarıyıl Sonu Sınavı | 1 | %60 |
AKTS iş yükü (180 saat → tabloda 6 AKTS)
| Ders Süresi | 14 × 3 | 42 saat |
| Sınıf Dışı Ç. Süresi | 14 × 4 | 56 saat |
| Ödevler | 14 × 3 | 42 saat |
| Ara Sınavlar | 1 × 20 | 20 saat |
| Yarıyıl Sonu Sınavı | 1 × 20 | 20 saat |
Haftalık konular
| 1 | Giriş: Yapay Sinir Ağları Nedir? |
| 2 | Biyolojik Sinir Sistemi ve Yapay Sinir Hücresi Modeli |
| 3 | Temel Yapay Sinir Ağı Modelleri (Perceptron, Adaline) |
| 4 | Aktivasyon Fonksiyonları |
| 5 | Öğrenme Algoritmaları (Delta Kuralı) |
| 6 | Çok Katmanlı Yapay Sinir Ağları (MLP) |
| 7 | Ara Sınav |
| 8 | Geri Yayılım Algoritması (Backpropagation) |
| 9 | MLP Eğitimi ve Optimizasyon Teknikleri |
| 10 | Konvolüsyonel Sinir Ağları (CNN) |
| 11 | Görüntü İşleme ve CNN Uygulamaları |
| 12 | CNN Mimarileri (LeNet, AlexNet, VGGNet) |
| 13 | Yinelemeli Sinir Ağları (RNN) |
| 14 | Doğal Dil İşleme ve RNN Uygulamaları |
| 15 | Final Sınavı |