Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
1EEE506AN INTRODUCTION TO NEURAL NETWORKS3+0+03616.06.2026

 
Dersin Detayları
Dersin Dili İngilizce
Dersin Düzeyi Yüksek Lisans
Bölümü / Programı ELEKTRİK-ELEKTRONİK MÜH.(Tezli Y.Lisans)
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Sinir ag sistemlerinin temel temel ilke ve tekniklerini tanitmak. Temel sinir agi modellerini ve uygulamalarini incelemek.
Dersin İçeriği Nöron modelleri ve ağ mimarileri. Tek katmanlı sinir ağları. Perceptron öğrenme kuralı. Ağırlık Vektör Uzayları. Sinir ağları için doğrusal dönüşümler. Hebb öğrenme kuralı. Performans yüzeyleri. Performans öğrenme ve optimizasyon. Widrow-Hoff öğrenme. Çok katmanlı sinir ağları. Geri yayılım algoritması. Sinir ağlarının uygulamaları: sınıflandırma ve regresyon.
Dersin Yöntem ve Teknikleri
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Doç.Dr. Serkan ÖZBAY
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Fundamentals of Neural Networks Architectures, Algorithms, and Applications Laurene Fausett
Ders Notları Neural Network Design (Second Edition)
Martin T. Hagan
Howard B. Demuth
Mark Hudson Beale
Orlando De Jesús

Ders Yapısı
Matematik ve Temel Bilimler %30
Mühendislik Bilimleri %30
Mühendislik Tasarımı %40
Sosyal Bilimler %0
Eğitim Bilimleri %0
Fen Bilimleri %0
Sağlık Bilimleri %0
Alan Bilgisi %0

Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 2 % 40
Proje 1 % 20
Yarıyıl Sonu Sınavı 1 % 40
Toplam :
4
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Haftalık teorik ders saati 14 3 42
Okuma Faaliyetleri 14 3 42
İnternetten tarama, kütüphane çalışması 1 4 4
Materyal tasarlama, uygulama 1 8 8
Rapor hazırlama 1 8 8
Sunu hazırlama 1 8 8
Sunum 1 8 8
Ara sınav ve ara sınava hazırlık 2 20 40
Final sınavı ve final sınavına hazırlık 1 20 20
Toplam İş Yükü   AKTS Kredisi : 6 180

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Gerçek beyin ile basit yapay sinir ağı modelleri arasındaki ilişkiyi tanımlama
2 Sinir ağlarında en yaygın kullanılan mimarileri ve öğrenme algoritmalarını açıklama
3 Sinir ağı sistemlerinde iyi öğrenme ve genelleme performansı elde etmenin ana faktörlerini tartışma
4 Sinir ağı uygulamalarında pratik konuları değerlendirebilme

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Sinirsel hesaplamanin esaslari
2 Sinir agi modeli ve ag yapilari
3 Sinir agi modeli ve ag yapilari
4 Farkli sinir agi modellerinin mimari analizi: Ileri beslemeli Perceptron modeli
5 Tekrarlamali Hopfield modeli, Rekabetçi Hamming modeli
6 Ögrenme algoritmalari: ögretmenli ve ögretmensiz ögrenme
7 Hebb ögrenme kurali
8 Perceptron ögrenme kurali
9 LMS algoritmasi
10 Performans ögrenme
11 Geri yayilim algoritmasi
12 Geri yayilim algoritmasi
13 Tekrarlayan sinir aglarinin dinamigi
14 Tekrarlayan sinir aglarinin dinamigi

 
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4
Tüm 5 5 5 4
Ö1 5 5 5 4
Ö2 5 5 5 4
Ö3 5 5 5 4
Ö4 5 5 5 4

  Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek

  
  https://obs.gaziantep.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=147925&lang=tr