
FEN-EDEBİYAT FAKÜLTESİ
Matematik
CE 470 | Ders Tanıtım Bilgileri
Dersin Adı |
Yapay Sinir Ağlarına Giriş
|
Kodu
|
Yarıyıl
|
Teori
(saat/hafta) |
Uygulama/Lab
(saat/hafta) |
Yerel Kredi
|
AKTS
|
CE 470
|
Güz/Bahar
|
3
|
0
|
3
|
5
|
Ön-Koşul(lar) |
Yok
|
|||||
Dersin Dili |
İngilizce
|
|||||
Dersin Türü |
Seçmeli
|
|||||
Dersin Düzeyi |
Lisans
|
|||||
Dersin Veriliş Şekli | - | |||||
Dersin Öğretim Yöntem ve Teknikleri | Problem çözmeOlgu / Vaka çalışmasıAnlatım / Sunum | |||||
Dersin Koordinatörü | ||||||
Öğretim Eleman(lar)ı | - | |||||
Yardımcı(ları) | - |
Dersin Amacı | Bu derste, Yapay Sinir Ağlarının (YSA’nın) yaygın kullanım bulan model ve algoritmaları verilecektir. Dersin içeriği temel sinir hücre modeli, algılayıcı, uyarlanır doğrusal eleman, en küçük kareler algoritması, Çok Katmanlı Algılayıcı (ÇKA), Geriye Yayılım (GY) öğrenme algoritması, Radyal Tabanlı Fonksiyon (RTF) ağları, kendi kendini düzenleyen ağ, vektör nicemlemeyi öğrenen ağ; Destek Vektör Makineleri (DVM), Sürekli zaman ve ayrık zaman Hopfield ağları, sınıflandırma teknikleri, örüntü tanıma, işaret işleme ve kontrol uygulamaları. |
Öğrenme Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Ders Tanımı | Ders, temel yapay sinir ağları modelleri ve öğrenme algoritmalarını, algılayıcı YSA modellerini, LMS algoritmasını, geriyayılım öğrenme algoritmasını, radyal tabanlı fonksiyon ağlarını, destek vektör makinelerini, Kohonen’in kendini düzenleyen ağını, Hopfield ağlarını, yapay sinir ağlarının işaret işleme, örüntü tanıma ve kontrol uygulamalarını içermektedir. |
|
Temel Ders | |
Uzmanlık/Alan Dersleri | ||
Destek Dersleri |
X
|
|
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI
Hafta | Konular | Ön Hazırlık |
1 | Biyolojik esinlenme. Yapay sinir ağları üzerine tarihsel notlar. Yapay sinir ağlarının uygulamaları. Yapay sinir ağ modellerinin ve öğrenme algoritmalarının bir sınıflaması. | Introduction. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes. |
2 | Genel yapay sinir hücre modeli. Ayrıkdeğerli algılayıcı, eşik mantığı ve sınırları. Ayrıkzaman (dinamik) Hopfield ağları. Hebb kuralı. Bellek örüntü vektörlerinin dış çarpımı olarak başlantı ağırlık matrisi. | Chapter 1. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes. |
3 | Eğiticili öğrenme. Algılayıcı öğrenme kuralı. Doğrusal uyarlanır eleman. Çıkış hatası minimizasyon problemi olarak eğiticili öğrenme. Minimizasyon için gradyendüşüm algoritması. En küçük kareler kuralı. | Chapter 2. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes. |
4 | Tek katmanlı sürekli değerli algılayıcı. Doğrusal olmayan (sigmoidal) aktivasyon fonksiyonu. Delta kuralı. Grup ve veri tabanlı güncellenen gradyendüşüm algoritmaları. Deterministik ve stokastik gradyendüşüm algoritmalar için yakınsaklık koşulları. | Chapter 3. Chapter 4: Sections 4.1, 4.2, 4.16. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes. |
5 | Evrensel yaklaşım makinesi olarak çok katmanlı algılayıcı. Fonksiyon gösterimleri ve yaklaşım problemi. Geriye yayılım algoritması. Yerel minimum problemi. Aşırı eğitim. | Chapter 4: Sections 4.4, 4.5, 4.8, 4.10, 4.12. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. Lecture Notes. |
6 | Ara Sınav I. | |
7 | Grup ve veri uyarlamalı eğitim biçimleri. Eğitim kümesine karşı test kümesi. Aşırı uyma problemi. Ağların eğitim ve testinde pratik konular. Çok katmanlı algılayıcıların işaret işleme ve örüntü tanıma uygulamaları. | Chapter 4: Sections 4.3, 4.10., 4.11, 4.13, 4.14, 4.15, 4.19, 4.20. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. |
8 | Radyal Taban Fonksiyonlu (RTF) ağlar. RTF ağlarının doğrusal ağırlıkları, Gauss merkezleri ve genişliklerini belirlemek için geriye yayılım algoritması. Merkezlerin rastgele seçimi. Gauss merkezlerinin ve genişliklerinin belirlenmesinde giriş öbekleme ve giriş çıkış öbeklemenin kıyaslanması. Düzenlileştirme kuramı, karma Gauss (koşullu olasılık yoğunluk fonksiyonu) ve yapay sinir tabanlı bulanık sistem modelleri ile RTF ağlarının ilişkileri. | Chapter 5. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761 |
9 | Veri gösterimi için parametrik ve parametrik olmayan yöntemlerin kıyaslanması. Vektör nicemleme problemi olarak eğiticisiz öğrenme. Yarışmacı ağlar. “Kazanan her şeyi alır” ağı. Kohonen’in özdüzenlemeli öznitelik haritası. Öbekleme. | Chapter 9. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. |
10 | Yapay sinir ağlarının işaret işleme uygulamaları. Temel bileşen analizi. Veri sıkıştırma ve indirgeme. Yapay sinir ağlarının görüntü ve 1 boyutlu işaret sıkıştırma ve dönüştürme uygulamaları. | Chapter 8. S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761 |
11 | Ara Sınav II | |
12 | Yapay sinir ağlarının örüntü tanıma uygulamaları. Öznitelik çıkarımı için yapay sinir ağları. Doğrusal olmayan öznitelik dönüşümü. Veri kaynaştırma. Sınıflayıcı olarak yapay sinir ağları. Görüntü ve ses tanıma uygulamaları. | Sections 1.4,1.5., 3.11, 4.7, 5.8, 6.7, S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. |
13 | Yapay sinir ağ modelleri ve ilişkin öğrenme algoritmalarının işaret işleme, örüntü tanıma ve kontrol uygulamalarının MATLAB nümerik yazılım ortamında gerçeklenmesi. | L. Fausett, Fundamentals of Neural Networks, Chapter 6, Prentice Hall, ISBN-13: 978-0133341867 |
14 | Yapay sinir ağ modelleri, öğrenme algoritmaları ve uygulamalarının genel değerlendirmesi. | S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761. |
15 | Dersin gözden geçirilmesi | |
16 | Final Sınavı |
Ders Kitabı | S. Haykin, Neural Networks and Learning Machines, Pearson Education, 3rd Ed., 2009, ISBN13 9780131293762 ISBN10 0131293761 |
Önerilen Okumalar/Materyaller | J. M. Zurada, Int. To Artificial Neural Systems, West Publishing Company, 1992 ISBN 053495460X, 9780534954604. L. Fausett, Fundamentals of Neural Networks, Prentice Hall, ISBN-13: 978-0133341867 |
DEĞERLENDİRME ÖLÇÜTLERİ
Yarıyıl Aktiviteleri | Sayı | Katkı Payı % |
Katılım | ||
Laboratuvar / Uygulama | ||
Arazi Çalışması | ||
Küçük Sınav / Stüdyo Kritiği | ||
Portfolyo | ||
Ödev |
5
|
20
|
Sunum / Jüri Önünde Sunum | ||
Proje |
1
|
30
|
Seminer/Çalıştay | ||
Sözlü Sınav | ||
Ara Sınav |
2
|
50
|
Final Sınavı | ||
Toplam |
Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı |
100
|
|
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | ||
Toplam |
AKTS / İŞ YÜKÜ TABLOSU
Yarıyıl Aktiviteleri | Sayı | Süre (Saat) | İş Yükü |
---|---|---|---|
Teorik Ders Saati (Sınav haftası dahildir: 16 x teorik ders saati) |
16
|
3
|
48
|
Laboratuvar / Uygulama Ders Saati (Sınav haftası dahildir. 16 x uygulama/lab ders saati) |
16
|
0
|
|
Sınıf Dışı Ders Çalışması |
14
|
3
|
42
|
Arazi Çalışması |
0
|
||
Küçük Sınav / Stüdyo Kritiği |
0
|
||
Portfolyo |
0
|
||
Ödev |
2
|
3
|
6
|
Sunum / Jüri Önünde Sunum |
0
|
||
Proje |
1
|
24
|
24
|
Seminer/Çalıştay |
0
|
||
Sözlü Sınav |
0
|
||
Ara Sınavlar |
2
|
15
|
30
|
Final Sınavı |
0
|
||
Toplam |
150
|
DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ
#
|
Program Yeterlilikleri / Çıktıları |
* Katkı Düzeyi
|
||||
1
|
2
|
3
|
4
|
5
|
||
1 | Temel matematik, uygulamalı matematik veya istatistik kuramlarına ve uygulamalarına hâkim olur. |
|||||
2 | Matematik veya istatistik alanlarında edindiği ileri düzey bilgi ve becerilerini kullanarak verileri yorumlar, sorunları tanımlar, araştırmalara ve kanıtlara dayalı çözüm önerileri geliştirir. |
|||||
3 | Disiplinler arası yaklaşımla, matematik veya istatistiği gerçek yaşamda uygular ve kendi potansiyelini keşfeder. |
|||||
4 | Matematik veya İstatistik alanında edindiği ileri düzeyde bilgi ve becerilerini eleştirel bir yaklaşımla değerlendirir. |
X | ||||
5 | Kuramsal ve teknik bilgilerini detaylı olarak uzman olan veya olmayan kişilere rahatça aktarır. |
X | ||||
6 | Matematik veya istatistik alanlarında bireysel veya ekip olarak bir çalışmayı sürdürür, bağımsız çalışmanın ilgili tüm aşamalarında etkili olur, karar verme sürecine katılır, zamanı etkili kullanarak gerekli planlamayı yapar. |
|||||
7 | Matematik veya istatistik alanlarında yaygın olarak kullanılan yazılımlara aşina olur ve Avrupa Bilgisayar Kullanma Lisansı İleri Düzeyindeki en az bir programı etkin şekilde kullanır. |
|||||
8 | Dahil olduğu projelerin tüm aşamalarında toplumsal, bilimsel ve etik değerlere uygun hareket eder, toplumsal duyarlılık çerçevesinde proje geliştirip uygular. |
|||||
9 | Evrensel anlamda birikimli ve duyarlı olarak tüm süreçleri etkin şekilde değerlendirir ve kalite yönetimi konusunda yeterli bilince sahip olur. |
X | ||||
10 | Soyut düşünce yapısına hâkim olarak, somut olayları bağlar ve çözüm üretir, veri toplayarak bilimsel yöntemlerle sonuçları inceler ve yorumlar. |
|||||
11 | Bir yabancı dili kullanarak Matematik veya İstatistik ile ilgili bilgi toplar ve meslektaşları ile iletişim kurar. |
|||||
12 | İkinci yabancı dili orta düzeyde kullanır. |
|||||
13 | İnsanlık tarihi boyunca oluşan bilgi birikimini uzmanlık alanıyla ilişkilendirir. |
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest
HABER |TÜM HABERLER

48 Saatlik ‘Matematik’ Maratonu
Milli Eğitim Bakanlığı’nın matematik derslerini keyifli hale getirerek öğrenmeyi kolaylaştırmak hedefiyle başlattığı ‘Matematik Seferberliği’ne İzmir’den destek geldi.

İEÜ’lü profesöre Yunanistan’dan büyük onur
Matematik ve istatistik alanında Türkiye’nin önde gelen isimlerinden biri olan İzmir Ekonomi Üniversitesi (İEÜ) Fen-Edebiyat Fakültesi Dekanı Prof. Dr. İsmihan Bayramoğlu, Yunanistan

‘Dünya Matematik ve Pi Günü’ne özel etkinlik
İzmir Ekonomi Üniversitesi (İEÜ) Matematik Bölümü, farklı üniversitelerden akademisyen ve öğrencilerin katılımıyla online olarak “Dünya Matematik ve Pi Günü” kutlaması gerçekleştirdi.