SEDS 539
Derin Öğrenme
Bu ders öğrencilere yazılım mühendisliği tekniklerini ve yaklaşımlarını tanıtmayı, değerlendirme yeteneği kazandırmayı, yazılım mühendisliği uygulamalarının vardığı son durumu ortaya koymayı ve tarihsel süreçte yaşananları aktararak, belli bir proje için doğru yaklaşımların seçiminde profesyonel karar alma becerisini kazandırmayı hedeflemektedir.
Bu ders yazılım mühendisliği kavramını ortaya koyarak başlayacaktır. Ardından yazılım geliştirme paradigma, yöntem ve anahtar modelleme notasyonları tartışılacaktır. Yazılım gereksinimleri, yazılım tasarımı, proje yönetimi, ölçüm ve kişisel iletişim, gelişim teknikler kapsanacaktır.
Dersin temel amacı öğrencilerin derin yapay sinir ağları ve derin öğrenme hakkında temel bilgi sahibi olmalarıdır. Evrişimsel sinir ağları özelinde görüntü sınıflandırma ile ilgili temel noktalar anlatılarak ve projelendirilerek verilen teorik bilginin uygulamaya da dökülmesi hedeflenmektedir. Dersin hedef kitlesi yapay öğrenme ile ilgili alt yapıya sahip lisansüstü öğrencilerdir.
Bu ders derin yapay sinir ağları oluşturma ve eğitme yöntemlerini ele almaktadır. Ders içeriğinde derin yapay sinir ağlarının geçmişten günümüze gelişimi, temel çalışma prensipleri, evrişimsel sinir ağları ile görüntü sınıflandırma ve imgede nesne tespit ve tanıma konuları yer almaktadır.
Referans kitap(lar):
• Michael A. Nielsen, “Neural Networks and Deep Learning”, Determination Press, 2015
• Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning”, MIT Press, 2016
Dersin Amacı:
Dersin Amacı: Öğrencilere derin sinir ağlarının temellerini öğretmek ve derin öğrenme çözümlerini gerçek problemlere uygulayabilmelerini sağlamak.
| Hafta | Konular |
|---|---|
| 1 | Yapay sinir ağları tarihçesi ve giriş |
| 2-3 | Doğrusal yöntemler ile görüntü sınıflandırma |
| 4 | Geri yayılım |
| 5 | Yapay sinir ağlarını eğitme I: veri önişleme, ağırlık ilklendirme ve düzenlileştirme, yığın düzgeleme ve yitim fonksiyonları |
| 6 | Yapay sinir ağlarını eğitme II: gradyan doğrulama, eğitim verileri yorum ve takibi, ağırlık güncelleme yöntemleri, hiper-parametre eniyileme |
| 7-8 | Evrişimsel sinir ağları |
| 9 | Evrişimsel sinir ağları ile mekansal yerseme ve nesne tespiti |
| 10 | Evrişimsel sinir ağlarını görselleştirme ve anlama |
| 11 | Yinelgeli sinir ağları |
| 12 | Pratikte evrişimsel yapay sinir ağları eğitme: veri artımı, aktarım öğrenme |
| 13 | Derin yapay sinir ağları kodlama çerçeveleri |
Notlandırma:
Final Sınavı %40
Vize Sınavı %30
Uygulama Ödevleri %30
Ders Öğrenme Çıktıları
CO1 Yapay sinir ağlarının geçmişten günümüze gelişimini yorumlayabilme
CO2 Yapay sinir ağlarının ana çalışma prensiplerini listeleyebilme
CO3 Öğrenilen temel prensipleri derin yapay sinir ağları eğitmede uygulayabilme
CO4 Evrişimsel yapay sinir ağları ile görüntü sınıflandırabilme
CO5 Öğrenilen yöntemleri torch, TensorFlow gibi yapay sinir ağları kodlama çerçeveleri ile pratikte uygulayabilme
Program Öğrenme Çıktılarının Katkısı:
| PO1 | PO2 | PO3 | PO4 | PO5 | PO6 | PO7 | |
| CO1 | 1 | ||||||
| CO2 | 1 | ||||||
| CO3 | 1 | 1 | 1 | ||||
| CO4 | 1 | 1 | 1 | ||||
| CO5 | 1 | 1 | 1 | 1 |
Dersin gerekçesi:
Bu ders, Yazılım Mühendisliği ve Veri Bilimi Yüksek Lisans Programı’nın seçmeli derslerinden biridir ve önemli veri bilimi seçmeli derslerinden biridir. Derste, derin sinir ağlarının nasıl eğitildiğine dair içgörü kazandırılarak derin öğrenmenin temelleri tanıtılmaktadır. Görüntü sınıflandırma üzerine yapılan bir vaka çalışması, eğitim algoritmalarının mekanizmalarını ve öğrenme parametrelerinin sınıflandırma doğrulukları üzerindeki etkisini anlamaya olanak tanımaktadır. Uygulamalı alıştırmalarla öğrenciler, en popüler derin öğrenme kütüphaneleriyle pratik deneyim kazanırlar.
Derslerle Çakışma veya Tamamlama Durumu:
Bu ders, makine öğrenmesi alanında ön bilgi gerektirir. Bu nedenle, konuları SEDS 537 Makine Öğrenimi ile örtüşmez, ancak onun üzerine inşa edilir.
