EĞİTİM
Ders Detayı
ELE 785 Sinir Ağları
2019-2020 Güz dönemi bilgileri
Ders bu dönem açık değil
Dersin zamanlama bilgileri haftalık ders programından elde edilmektedir. Ders geçici olarak belirli bir hafta için ertelenmiş ya da zamanı değişmiş olabilir. Dersin o haftaki kesin zamanlama bilgileri için dersin sorumlusuna başvurulmalı ve/veya duyurular takip edilmelidir.
Ders tanım tabloları Hacettepe Üniversitesi AKTS Ders Kataloğu sitesinden (http://akts.hacettepe.edu.tr) gerçek zamanlı olarak alınıp gösterilmektedir. Oluşabilecek hatalar için lütfen orijinal siteyi kontrol ediniz.
ELE785 - SİNİR AĞLARI
Dersin Adı | Kodu | Yarıyılı | Teori (saat/hafta) |
Uygulama (saat/hafta) |
Yerel Kredi | AKTS |
---|---|---|---|---|---|---|
SİNİR AĞLARI | ELE785 | Herhangi Yarıyıl/Yıl | 3 | 0 | 3 | 10 |
Önkoşul(lar)-var ise | Yok | |||||
Dersin Dili | Türkçe | |||||
Dersin Türü | Seçmeli | |||||
Dersin verilme şekli | Yüz yüze | |||||
Dersin öğrenme ve öğretme teknikleri | Anlatım Soru-Yanıt Uygulama-Alıştırma Sorun/Problem Çözme | |||||
Dersin sorumlusu(ları) | Bölüm öğretim üyeleri | |||||
Dersin amacı | Kursun amacı çok kullanılan sinir ağları yapılarının ve ilgili öğrenme yordamlarının tanıtımı ile birlikte öğrenme paradigması ve ilgili ağ uygulamalarının kavranmasını sağlamaktır. Bu kurs mühendislik uygulamalarında kullanılan sinir ağları çözümleme araçlarından sinyal işleme kapasitesini daha çok ön plana çıkarmaktadır. | |||||
Dersin öğrenme çıktıları |
| |||||
Dersin içeriği | 1. Sinir ağlarına giriş , 2. Temel kavramlar ? nöron modelleri, Mc Culloch Pitts modeli, Rosenblatt?ın perseptronu, öğrenme, 3. Aradeğerlendirme ve eniyileme: en küçük kareler tahmini, özyineli en küçük kareler tahmini, türevsel tabanlı eniyileme, 4. Tek katlı perseptronlar, 5. Çok katlı perseptronlar, 6. Kendinden organize olan yapılar: Hebbian öğrenme, Kohonen haritası, 7. Dinamik ağlar: Zaman gecikmeli sinir ağları, geribeslemeli sinir ağları, 8. Radyal tabanlı ağlar. | |||||
Kaynaklar | Haykin, S., Neural Networks, A comprehensive Foundation, Prentice Hall, 2nd ed., 1999. Jang, J.S.R., Sun T.S., Mizutani, E., Neuro-Fuzzy and Soft Computing, Prentice Hall, 1997. Lau, C., edt., Neural Networks, Theoretical Foundations and Analysis, IEEE Press, 1992. Cichocki, A., Unbehauen, R. ,Neural Networks for Optimization and Signal Processing, Wiley,1993. Shalkoff, R.J., ?Artificial Neural Networks?, Mc Graw Hill, 1997. Haykin. S., ? Adaptive Filter Theory?, Prentice Hall, 1996. |
Haftalara Göre İşlenecek Konular
Haftalar | Konular |
---|---|
1. Hafta | Sinir ağlarına giriş |
2. Hafta | Temel kavramlar ? nöron modelleri, Mc Culloch Pitts modeli |
3. Hafta | Temel kavramlar ? bilgi sunumu, Rosenblatt?ın perseptronu, öğrenme paradigmaları |
4. Hafta | Aradeğerlendirme ve eniyileme: en küçük kareler tahmini, özyineli en küçük kareler tahmini |
5. Hafta | Aradeğerlendirme ve eniyileme: türevsel tabanlı eniyileme |
6. Hafta | Tek katlı perseptronlar, |
7. Hafta | Çok katlı perseptronlar: geriyayılım algoritması |
8. Hafta | Çok katlı perseptronlar: iyi programlama önerileri, uygulamalar |
9. Hafta | Ara sınav |
10. Hafta | Kendinden organize olan yapılar: Hebbian öğrenme, Kohonen haritası |
11. Hafta | Dinamik ağlar: zaman gecikmeli sinir ağları |
12. Hafta | Dinamik ağlar: geribeslemeli sinir ağları |
13. Hafta | Radyal tabanlı ağlar |
14. Hafta | Mühendislik uygulamaları ve karşılaştırmalar |
15. Hafta | Genel sınav |
16. Hafta | Genel sınav |
Değerlendirme Sistemi
Yarıyıl içi çalışmaları | Sayısı | Katkı Payı % |
---|---|---|
Devam (a) | 0 | 0 |
Laboratuar | 0 | 0 |
Uygulama | 0 | 0 |
Alan Çalışması | 0 | 0 |
Derse Özgü Staj (Varsa) | 0 | 0 |
Ödevler | 3 | 45 |
Sunum | 0 | 0 |
Projeler | 0 | 0 |
Seminer | 0 | 0 |
Ara Sınavlar | 1 | 15 |
Genel sınav | 1 | 40 |
Toplam | 100 | |
Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı | 4 | 60 |
Yarıyıl Sonu Sınavının Başarı Notuna Katkısı | 1 | 40 |
Toplam | 100 |
AKTS (Öğrenci İş Yükü) Tablosu
Etkinlikler | Sayısı | Süresi | Toplam İş Yükü |
---|---|---|---|
Ders Süresi | 14 | 3 | 42 |
Laboratuvar | 0 | 0 | 0 |
Uygulama | 0 | 0 | 0 |
Derse özgü staj (varsa) | 0 | 0 | 0 |
Alan Çalışması | 0 | 0 | 0 |
Sınıf Dışı Ders Çalışma Süresi (Ön Çalışma, pekiştirme, vb) | 13 | 8 | 104 |
Sunum / Seminer Hazırlama | 0 | 0 | 0 |
Proje | 0 | 0 | 0 |
Ödevler | 3 | 25 | 75 |
Ara sınavlara hazırlanma süresi | 1 | 15 | 15 |
Genel sınava hazırlanma süresi | 1 | 25 | 25 |
Toplam İş Yükü | 32 | 76 | 261 |
Dersin Öğrenme Çıktılarının Program Yeterlilikleri İle İlişkilendirilmesi
D.9. Program Yeterlilikleri | Katkı Düzeyi* | ||||
---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | |
1. Elektrik ve Elektronik Mühendisliği'nin belirli alanlarında en üst düzeyde bilgi sahibidir. | X | ||||
2. Bilim ve teknolojiye yenilik getirecek bilgi, beceri ve yetkinliğe sahiptir. | X | ||||
3. Bilimsel literatürü ve alanındaki en son gelişmeleri takip eder, edindiği bilgilerin eleştirel analizini, sentezini, değerlendirmesini yapar ve araştırmalarında etkin biçimde kullanır. | X | ||||
4. Özgün bir araştırmayı bağımsız olarak baştan sona yürütebilir. | X | ||||
5. Özgün araştırma gerektiren projeleri tasarlar, planlar ve yönetir; disiplinlerarası projelerde liderlik yapabilir. | X | ||||
6. Bilim ve teknoloji literatürüne katkıda bulunur. | X | ||||
7. Çalışmalarını yazılı veya sözlü olarak etkin biçimde, Türkçe veya İngilizce sunar. | X | ||||
8. Toplumsal sorumluluğunun farkındadır, bilimsel ve teknolojik gelişmeleri bilimsel tarafsızlık ilkesi ve etik sorumluluk bilinciyle değerlendirir ve topluma aktarır. | X |
*1 En düşük, 2 Düşük, 3 Orta, 4 Yüksek, 5 Çok yüksek