DERSİN GENEL BİLGİLERİ

Ders Kodu	Ders Adı	Yıl	Yarıyıl	Teorik	Pratik	Kredi	AKTS
60610METOS-YZM0389	Derin Öğrenme	4	Bahar	2	2	3	5

Dersin Türü:	Seçmeli Ders IV
Dersin Düzeyi:	Lisans      TYYÇ:6. Düzey      QF-EHEA:1. Düzey      EQF-LLL:6. Düzey
Dersin Öğretim Dili:	Turkish
Dersin Ön/Yan Koşulu:	Yoktur
Dersin Veriliş Şekli:	Yüz yüze
Dersin Koordinatörü:	Dr. Öğr. Üyesi ENVER AKBACAK
Dersin Öğretim Eleman(lar)ı:
Dersin Kategorisi:

BÖLÜM II: DERSİN TANITIMI

Dersin Amacı ve İçeriği

Dersin Amacı:

1. To familiarize students with Deep Learning Fundamentals. 2. To Introduce concepts for image, video and text recognition. 3. To teach students featured deep learning practices by a project. Textbook: http://neuralnetworksanddeeplearning.com/ and Deep Learning with Python (François Chollet) Software Tensorflow’s Keras Tools: Google’s Colab A long-term project will be assigned to students. The project reports will be prepared on any word processor in the following format. Midterm Exam 20% Final Exam 50% Projects 30%

Dersin İçeriği:

Fundamentals What is deep learning, layers, learning, wieghts, loss functions, optimizers. Neural Networks Perceptrons, sigmoid neurons, learning with gradient descent and momentum based gradient descent. Neural Networks Back propagation. Cost Functions, cross entropy, softmax, regularization, wieght initialization, early stopping, batch size, tanh activation, dropout, normalization, relu layers, pooling layers. Mathematical fundamentals of Neural Networks Getting Started with Neural Networks Fundamentals of Deep Learning Supervised, unsupervised, selfsupervised and reinforcement learnings, train/validation/test splits allocations, vanishing gradient descent problem, overfitting and underfitting. Convolutional Neural Networks Fundamentals Pretrained models Fine-tuning Convolutional Neural Networks Feature extraction Python generators Visualizing intermediate activations and filters Class activation maps Encoder – Decoder Models Recurrent Neural Networks LSTMs, Combining CNN-LSTM models Video Processing 3D CNN, Keras functional API, callbacks Project Presentations

Derse Özgü Kurallar

Projects A long-term project will be assigned to students. The project reports will be prepared on any word processor in the following format. Page 1. • Project title • Student's name • Date due • Abstract (min 1/2 page) Page 2. Technical presentation. This section should include implemented technics and equations. (One page) Page 3 Discussion of findings. Significant findings in terms of the project objectives and reference any images generated. (Min two pages) Results. Includes all the images generated in the project. Number images individually so they can be referenced in the preceding section. Appendix. Computer codes with explanations written by the student. Projects not conform to the requested format may be grounds for rejection.

Dersin Öğrenme Çıktıları (DÖÇ)

Ders Öğrenme Çıktıları (DÖÇ), dersi başarı ile tamamlayan öğrencilerin kendilerinden sahip olmaları beklenen bilgi, beceri ve yetkinlikleri ifade eder. Bu bağlamda, bu ders için tanımlanmış olan Ders Öğrenme Çıktıları aşağıda verilmektedir.

Bilgi (Kuramsal ve/veya olgusal bilgi olarak tanımlanmıştır.)

Beceriler (Bilişsel ve/veya uygulama becerileri olarak tanımlanmıştır.)

Yetkinlikler ("Bağımsız Çalışabilme", "Sorumluluk Alabilme", "Öğrenme", "İletişim ve Sosyal" ve "Alana Özgü" yetkinlikler olarak tanımlanmıştır.)

Haftalık Ders Planı

Hafta	Konu	Materyal Paylaşımı *
		Ön Hazırlık	Pekiştirme
1)	Fundamentals What is deep learning, layers, learning, wieghts, loss functions, optimizers.
2)	Neural Networks Perceptrons, sigmoid neurons, learning with gradient descent and momentum based gradient descent.
3)	Neural Networks Back propagation.
4)	Neural Networks Cost Functions, cross entropy, softmax, regularization, wieght initialization, early stopping, batch size, tanh activation, dropout, normalization, relu layers, pooling layers.
5)	Mathematical fundamentals of Neural Networks
6)	Getting Started with Neural Networks
7)	Fundamentals of Deep Learning Supervised, unsupervised, selfsupervised and reinforcement learnings, train/validation/test splits allocations, vanishing gradient descent problem, overfitting and underfitting.
8)	Convolutional Neural Networks Fundamentals Pretrained models Fine-tuning
9)	Convolutional Neural Networks Feature extraction Python generators Visualizing intermediate activations and filters Class activation maps
10)	Encoder – Decoder Models
11)	Recurrent Neural Networks LSTMs, Combining CNN-LSTM models
12)	Video Processing 3D CNN, Keras functional API, callbacks
13)	Project Presentations
14)	Project Presentations

*Bu alan öğrencilerin ders öncesi hazırlık ve sonrası dersi pekiştirme için paylaşılan ders materyallerini içerir.

Ders İçin Zorunlu/Önerilen Kaynaklar

Ders Notları / Kitaplar:

Hafta Konular Ders Kitabı Değerlendirme ve İlave Bilgiler 1 Derin Öğrenmeye Giriş Derin öğrenme temel kavramlar, Gerekli Matematiksel Tanımlamalar, Uygulamalarda kullanılacak arayüz ve yazılımların tanıtım ve kurulum uygulamalarını içermektedir. A 2 Yapay Sinir Ağları Temel Kavramlar Logistik Regresyon(LR), LR Cost Fonksiyonu, LR Gradient Descent, LR türev (derivatives) kavramlarını ve uygulamalarını içermektedir. A 3 Yapay Sinir Ağları (ANN) ANN aktivasyon fonksiyonları ve türev(derivative) hesaplamalarını ve ANN derin ağların oluşturulması içermektedir. A Projelerin Atanması 4 Yapay Sinir Ağları(ANN) ANN İleri-Geri Yayılım (Forward-Backward Propagation) tanıtım ve uygulamalarını içermektedir. A-B 5 Derin Öğrenme Stratejileri Derin Öğrenmede Bias Variance Kavramlarını, Performans Metriklerini ve Veri setlerinin Eğitim-Validasyon-Test Kümelerine ayrılma stratejilerini içermektedir. A-B 6 Derin Öğrenme Optimizasyon Parameterleri Regularization, Dropout, Normalization, Vanishing Gradient kavramlarını ayrıca Gradient Descent, Adam ve Rmsprop Optimizasyon Algoritmaları ile Learning Rate tanımlamaları ile Uygulamalarını içermektedir. A-B 7 Evrişimsel Sinir Ağları(CNN) Temelleri CNN matematiksel tanımlamalarını, Padding, Stride tanımlamaları ile çıkış haritalarının hesaplamalarını ayrıca temel CNN yapısı ve uygulamalarını içermektedir. B İlk Proje İncelemeleri 8 VIZE SINAVI 9 Evrişimsel Sinir Ağları(CNN) Modelleri-1 ImageNet Large Scale Visual Recognition Challenge (ILSVRC) ‘de başarı sağlayan Alexnet VGG-16, VGG-19 model yapılarının incelenmesini ve Uygulamalarını içermektedir. B 10 Evrişimsel Sinir Ağları(CNN) Modelleri-2 ImageNet Large Scale Visual Recognition Challenge (ILSVRC) ‘de başarı sağlayan Resnet, Inception Networks, Mobilenet model yapılarının incelenmesini ve Uygulamalarını içermektedir. B 11 Encoder – Decoder Modeller Autoencoder- Decoder modeller ve U-NET yapılarının incelenmesini ve Uygulamalarını içermektedir. PROJE SUNUMLARI-1 B İkinci Proje İncelemeleri 12 Tekrarlayan Sinir Ağları (RNN) Long Short-Term Memory (LSTM) Kavramları, CNN-LSTM Uygulamalarını içermektedir. PROJE SUNUMLARI-2 A-B İkinci Proje İncelemeleri 13 Evrişimli Sinir Ağları ile Nesne Tespiti YOLO ile nesne tespiti için tanımlamalar ve uygulamalarını içermektedir. PROJE SUNUMLARI-3 A-B İkinci Proje İncelemeleri 14 Final Sınavı

Diğer Kaynaklar:

Textbook: http://neuralnetworksanddeeplearning.com/ Deep Learning with Python (François Chollet) Software Tensorflow’s Keras Tools: Google’s Colab

Dersin Program Öğrenme Çıktılarına Katkı Düzeyi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

	Program Öğrenme Çıktıları	Katkı Oranı (1-5)
1)	Matematik, fen bilimleri, bilgisayar bilimleri ve yazılım mühendisliği ile ilgili mühendislik konularında yeterli bilgi birikimine sahiptir; bu alanlardaki kuramsal ve uygulamalı bilgileri yazılım mühendisliği problemlerinin çözümü için birlikte kullanır ve uygular.
2)	Alanı ile ilgili temel bilim konularındaki kuramsal ve uygulamalı bilgileri yazılım mühendisliği problemlerinin çözümü için birlikte kullanır ve uygular.
3)	Yazılım mühendisliği uygulamalarını analiz eder, modeller, gerçekçi kısıtlar ve koşullar altında belirli gereksinimleri karşılayacak şekilde tasarlar ve geliştirir; bu amaçla uygun yöntemleri, araçları ve teknolojileri seçer ve kullanır.
4)	Karmaşık yazılım mühendisliği problemlerini saptar, tanımlar, formüle eder ve çözer; bu amaçla uygun analitik yöntemler ile modelleme yöntemlerini seçer ve uygular.
5)	Bilgisayar bilimleri ve yazılım mühendisliği uygulamaları için gerekli olan modern teknik ve araçları ve bilişim teknolojilerini seçer ve etkin bir şekilde kullanır.
6)	Bilgisayar ve yazılım tabanlı karmaşık bir sistemi, süreci, cihazı veya ürünü ekonomi, çevre sorunları, sürdürülebilirlik, üretilebilirlik, etik, sağlık, güvenlik, sosyal ve politik sorunlar gibi öğeler dahil gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar; bu amaçla modern tasarım yöntemlerini uygular.
7)	Sorumluluk aldığı çalışmalarda var olan normları ve standartları eleştirel bakış açısıyla değerlendir.
8)	Sürekli gelişen yazılım mühendisliği alanının ve küresel rekabet ortamının gerektirdiği yetkinliklere sahiptir.
9)	Türkçe sözlü ve yazılı olarak etkili iletişim kurar ve B2 düzeyinde Yabancı Dilde (İngilizce) iletişim kurma yetkinliğine sahiptir.

BÖLÜM IV: DERSİN ÖĞRENME VE ÖĞRETME YÖNTEMLERİ İLE ÖLÇME VE DEĞERLENDİRME YÖNTEMLERİ

Dersin Öğrenme ve Öğretme Yöntemleri

(Üniversitemiz genelinde kullanılan tüm öğrenme ve öğretme yöntemleri sistematik olarak yönetilmektedir. Akademik birimlerden gelen talepler doğrultusunda bölüm/programların öğrenme ve öğretme yöntemleri ilgili kurullarımız tarafından değerlendirilmekte ve uygun bulunursa, üniversite havuzunda toplanmaktadır. Bölüm ve programlar, kendileri için program tasarımlarına uygun olan yöntemleri bu havuzdan seçebilmektedirler. Benzer şekilde, dersler için kullanılması uygun görülen yöntemler de programlar düzeyinde belirlenmiş olan yöntemler arasından seçilebilmektedir.)

Programa Genelinde Kullanılan Öğrenme ve Öğretme Yöntemleri	Ders İçin Kullanılan Öğrenme ve Öğretme Yöntemleri

Dersin Ölçme ve Değerlendirme Yöntemleri

(Üniversitemiz genelinde kullanılan tüm ölçme ve değerlendirme yöntemleri sistematik olarak yönetilmektedir. Akademik birimlerden gelen talepler doğrultusunda bölüm/programların ölçme ve değerlendirme yöntemleri ilgili kurullarımız tarafından değerlendirilmekte ve uygun bulunursa, üniversite havuzunda toplanmaktadır. Bölüm ve programlar, kendileri için program tasarımlarına uygun olan yöntemleri bu havuzdan seçebilmektedirler. Benzer şekilde, dersler için kullanılması uygun görülen yöntemler de programlar düzeyinde belirlenmiş olan yöntemler arasından seçilebilmektedir.)

Programa Genelinde Kullanılan Ölçme ve Değerlendirme Yöntemleri	Ders İçin Kullanılan Ölçme ve Değerlendirme Yöntemleri

Dersin Ölçme ve Değerlendirme Yöntemlerinin Başarı Notuna Katkısı

Ölçme ve Değerlendirme Yöntemleri	Uygulama Sayısı / Yarıyıl	Katkı Oranı
Projeler	2	% 30.00
Ara Sınavlar	1	% 20.00
Yarıyıl Sonu Sınavı	1	% 50.00
Toplam		% 100
YARIYIL İÇİ ÖLÇME VE DEĞERLENDİRME YÖNTEMLERİNİN BAŞARI NOTUNA KATKI ORANI		% 50
YARIYIL SONU SINAVININ BAŞARI NOTUNA KATKI ORANI		% 50
Toplam		% 100

BÖLÜM V: DERSİN İŞ YÜKÜ VE AKTS KREDİSİ

ÖĞRENME VE ÖĞRETME ETKİNLİKLERİ İŞ YÜKÜ
Öğrenme ve Öğretme Etkinlikleri	Etkinlik Sayısı/Yarıyıl	Süresi (saat)	Toplam İş Yükü
Ders	0	0	0
Laboratuvar	0	0	0
Uygulama	0	0	0
Derse Özgü Staj	0	0	0
Arazi Çalışması	0	0	0
Sınıf Dışı Ders Çalışması	0	0	0
Sunum / Seminer	0	0	0
Proje	0	0	0
Ödevler	0	0	0
Öğrenme ve Öğretme Etkinlikleri Toplam İş Yükü	-	-	0
ÖLÇME VE DEĞERLENDİRME ETKİNLİKLERİ İŞ YÜKÜ
Ölçme ve Değerlendirme Etkinlikleri	Etkinlik Sayısı/Yarıyıl	Süresi (saat)	Toplam İş Yükü
Kısa Sınav	0	0	0
Ara Sınavlar	0	0	0
Yarıyıl Sonu Sınavı	0	0	0
Ölçme ve Değerlendirme Etkinlikleri Toplam İş Yükü	-	-	0
TOPLAM İŞ YÜKÜ (Öğrenme ve Öğretme + Ölçme ve Değerlendirme Etkinlikleri)			0
DERSİN AKTS KREDİSİ (Toplam İş Yükü/25.5 Saat)			5