Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
DERİN ÖĞRENME UYGULAMALARIRYZ2222310Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıÖğretim Görevlisi Dr. Sinem UYSAL
Dersin AmacıBu dersin amacı; öğrencilerin derin öğrenmenin temel kavramlarını kavramasını, basit yapay sinir ağı modellerini kurabilmesini, görüntü ve sayısal veri üzerinde temel derin öğrenme uygulamaları yapabilmesini ve eğitilen modellerin başarımını anlaşılır ölçütlerle değerlendirebilmesini sağlamaktır.
Dersin İçeriğiBu ders; Derse giriş; derin öğrenmenin kullanım alanları ve yapay zeka içindeki yeri,Yapay sinir ağı temel kavramları; nöron, ağırlık, bias, katman ve çıktı,Aktivasyon fonksiyonları, kayıp fonksiyonu ve modelin öğrenme mantığı,Veri seti hazırlama; eğitim, doğrulama ve test verisine ayırma,Python ile basit tam bağlı sinir ağı modeli kurma ve çalıştırma,Model eğitimi; epoch, batch size, öğrenme oranı ve eğitim çıktılarının izlenmesi,Model başarımını değerlendirme; doğruluk, hata, karışıklık matrisi ve temel yorumlama,Ara Sınav,Aşırı öğrenme ve yetersiz öğrenme; temel düzenleme ve doğrulama yaklaşımı,Evrişimli sinir ağlarına giriş; görüntü verisi, filtre, özellik haritası ve pooling kavramları,Basit görüntü sınıflandırma uygulaması; veri hazırlama ve CNN modeli eğitimi,Veri artırma ve ön işleme; görüntü boyutlandırma, normalizasyon ve temel augmentasyon,Önceden eğitilmiş modeller ve transfer öğrenmeye giriş,Derin öğrenme sonuçlarının robotik ve görüntü işleme uygulamalarında kullanılması,Uygulama çıktılarının değerlendirilmesi, hata kaynakları ve kısa teknik raporlama,Genel Sınav; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Derin öğrenme, yapay sinir ağı, katman, aktivasyon fonksiyonu, kayıp fonksiyonu ve eğitim kavramlarını açıklar.Anlatım Yöntemi1, Yazılı Sınav
2. Python tabanlı araçlarla belirli veri hazırlama, eğitim ve test işlemlerini gerçekleştirir.Anlatım Yöntemi1, Yazılı Sınav
3. Temel yapay sinir ağı (YSA) ve evrişimli sinir ağı (CNN) modellerini belirli uygulama problemleri için kurar.Anlatım Yöntemi1, Yazılı Sınav
4. Model eğitimi sırasında epoch, batch, öğrenme oranı, aşırı öğrenme ve doğrulama parametrelerini analiz eder.Anlatım Yöntemi1, Yazılı Sınav
5. Eğitilen bir modelin doğruluk, hata ve karışıklık matrisi gibi temel sonuçlarını değerlendirir ve raporlar.Anlatım Yöntemi1, Yazılı Sınav
Öğretim Yöntemleri:Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Derse giriş; derin öğrenmenin kullanım alanları ve yapay zeka içindeki yeri
2Yapay sinir ağı temel kavramları; nöron, ağırlık, bias, katman ve çıktı
3Aktivasyon fonksiyonları, kayıp fonksiyonu ve modelin öğrenme mantığı
4Veri seti hazırlama; eğitim, doğrulama ve test verisine ayırma
5Python ile basit tam bağlı sinir ağı modeli kurma ve çalıştırma
6Model eğitimi; epoch, batch size, öğrenme oranı ve eğitim çıktılarının izlenmesi
7Model başarımını değerlendirme; doğruluk, hata, karışıklık matrisi ve temel yorumlama
8Ara Sınav
9Aşırı öğrenme ve yetersiz öğrenme; temel düzenleme ve doğrulama yaklaşımı
10Evrişimli sinir ağlarına giriş; görüntü verisi, filtre, özellik haritası ve pooling kavramları
11Basit görüntü sınıflandırma uygulaması; veri hazırlama ve CNN modeli eğitimi
12Veri artırma ve ön işleme; görüntü boyutlandırma, normalizasyon ve temel augmentasyon
13Önceden eğitilmiş modeller ve transfer öğrenmeye giriş
14Derin öğrenme sonuçlarının robotik ve görüntü işleme uygulamalarında kullanılması
15Uygulama çıktılarının değerlendirilmesi, hata kaynakları ve kısa teknik raporlama
16Genel Sınav
Kaynak
1. Goodfellow, I., Bengio, Y. ve Courville, A. (2016). Derin Öğrenme. MIT Press. 2. Chollet, F. (2021). Python ile Derin Öğrenme (2. Baskı). Manning Publications. 3. Géron, A. (2022). Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi (3. Baskı). O’Reilly Media. 4. (2026). TensorFlow Resmî Dokümantasyonu ve Geliştirici Kılavuzları. 5. (2026). PyTorch Resmî Dokümantasyonu, Eğitimleri ve Uygulama Örnekleri. 6. (2026). Ders uygulama notları, açık veri kümeleri ve örnek Python kodları. 7. Bishop, C. M. (2006). Örüntü Tanıma ve Makine Öğrenmesi. Springer. 8. Nielsen, M. A. (2015). Yapay Sinir Ağları ve Derin Öğrenme. Determination Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Temel matematik, programlama ve elektronik bilgilerini robotik ve yapay zekâ uygulamalarında etkin bir şekilde kullanır.
X
2
Robotik sistemlerin sensör, aktüatör ve kontrol birimleri gibi temel bileşenlerini tanımlar, donanımsal kurulumlarını yapar ve çalıştırır.
3
Mikrodenetleyici platformlarında temel seviyede program geliştirir ve donanım entegrasyonunu sağlar.
4
Alanında yaygın kullanılan programlama dillerini kullanarak temel algoritmalar tasarlar ve uygular.
X
5
Temel makine öğrenmesi yöntemlerini kullanarak yapay zekâ uygulamaları geliştirir ve test süreçlerini yürütür.
X
6
Sensörlerden elde edilen verileri toplar, analiz eder ve sistemin işleyişine göre yorumlar.
X
7
Temel kontrol sistemlerini kurar ve sistem performansını ilgili standartlara göre değerlendirir.
8
Robotik ve otomasyon projelerinin planlama, geliştirme ve test süreçlerinde bireysel inisiyatif alır; çok disiplinli takım çalışmaları içinde etkin rol alarak sorumluluk üstlenir.
X
9
Karşılaşılan donanımsal ve yazılımsal teknik problemlere temel düzeyde çözüm üretir, hata ayıklama işlemlerini gerçekleştirir.
X
10
Mesleki konulardaki düşüncelerini sözlü ve yazılı olarak ifade eder, alanı ile ilgili teknik dokümanları okur ve anlar.
11
Mesleki uygulamalarında etik kurallara, kalite süreçlerine ve iş sağlığı-güvenliği standartlarına uygun hareket eder.
12
Yaşam boyu öğrenme bilinci ile robotik ve yapay zekâ alanındaki güncel gelişmeleri takip eder, kendini sürekli yeniler.
X
13
Alanındaki yenilikleri izleyebilecek ve temel düzeyde iletişim kurabilecek seviyede en az bir yabancı dili (Avrupa Dil Portföyü A2 Genel Düzeyinde) kullanır.
14
Alanının gerektirdiği bilişim ve iletişim teknolojilerini Avrupa Bilgisayar Kullanma Lisansı Temel Düzeyinde etkin bir şekilde kullanır.
X
15
Robotik ve yapay zekâ teknolojilerinin toplumsal, çevresel ve ekonomik etkilerini temel düzeyde değerlendirir; girişimcilik, yenilikçilik ve sürdürülebilirlik kavramları hakkında bilgi sahibi olarak bunları mesleki süreçlerine yansıtır.

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (Saat)Toplam İş Yükü (Saat)
Toplam İş Yükü (Saat)0
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30)0
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Dersin Detaylı Bilgileri

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
DERİN ÖĞRENME UYGULAMALARIRYZ2222310Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin YardımcılarıÖğretim Görevlisi Dr. Sinem UYSAL
Dersin AmacıBu dersin amacı; öğrencilerin derin öğrenmenin temel kavramlarını kavramasını, basit yapay sinir ağı modellerini kurabilmesini, görüntü ve sayısal veri üzerinde temel derin öğrenme uygulamaları yapabilmesini ve eğitilen modellerin başarımını anlaşılır ölçütlerle değerlendirebilmesini sağlamaktır.
Dersin İçeriğiBu ders; Derse giriş; derin öğrenmenin kullanım alanları ve yapay zeka içindeki yeri,Yapay sinir ağı temel kavramları; nöron, ağırlık, bias, katman ve çıktı,Aktivasyon fonksiyonları, kayıp fonksiyonu ve modelin öğrenme mantığı,Veri seti hazırlama; eğitim, doğrulama ve test verisine ayırma,Python ile basit tam bağlı sinir ağı modeli kurma ve çalıştırma,Model eğitimi; epoch, batch size, öğrenme oranı ve eğitim çıktılarının izlenmesi,Model başarımını değerlendirme; doğruluk, hata, karışıklık matrisi ve temel yorumlama,Ara Sınav,Aşırı öğrenme ve yetersiz öğrenme; temel düzenleme ve doğrulama yaklaşımı,Evrişimli sinir ağlarına giriş; görüntü verisi, filtre, özellik haritası ve pooling kavramları,Basit görüntü sınıflandırma uygulaması; veri hazırlama ve CNN modeli eğitimi,Veri artırma ve ön işleme; görüntü boyutlandırma, normalizasyon ve temel augmentasyon,Önceden eğitilmiş modeller ve transfer öğrenmeye giriş,Derin öğrenme sonuçlarının robotik ve görüntü işleme uygulamalarında kullanılması,Uygulama çıktılarının değerlendirilmesi, hata kaynakları ve kısa teknik raporlama,Genel Sınav; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Derin öğrenme, yapay sinir ağı, katman, aktivasyon fonksiyonu, kayıp fonksiyonu ve eğitim kavramlarını açıklar.Anlatım Yöntemi1, Yazılı Sınav
2. Python tabanlı araçlarla belirli veri hazırlama, eğitim ve test işlemlerini gerçekleştirir.Anlatım Yöntemi1, Yazılı Sınav
3. Temel yapay sinir ağı (YSA) ve evrişimli sinir ağı (CNN) modellerini belirli uygulama problemleri için kurar.Anlatım Yöntemi1, Yazılı Sınav
4. Model eğitimi sırasında epoch, batch, öğrenme oranı, aşırı öğrenme ve doğrulama parametrelerini analiz eder.Anlatım Yöntemi1, Yazılı Sınav
5. Eğitilen bir modelin doğruluk, hata ve karışıklık matrisi gibi temel sonuçlarını değerlendirir ve raporlar.Anlatım Yöntemi1, Yazılı Sınav
Öğretim Yöntemleri:Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Derse giriş; derin öğrenmenin kullanım alanları ve yapay zeka içindeki yeri
2Yapay sinir ağı temel kavramları; nöron, ağırlık, bias, katman ve çıktı
3Aktivasyon fonksiyonları, kayıp fonksiyonu ve modelin öğrenme mantığı
4Veri seti hazırlama; eğitim, doğrulama ve test verisine ayırma
5Python ile basit tam bağlı sinir ağı modeli kurma ve çalıştırma
6Model eğitimi; epoch, batch size, öğrenme oranı ve eğitim çıktılarının izlenmesi
7Model başarımını değerlendirme; doğruluk, hata, karışıklık matrisi ve temel yorumlama
8Ara Sınav
9Aşırı öğrenme ve yetersiz öğrenme; temel düzenleme ve doğrulama yaklaşımı
10Evrişimli sinir ağlarına giriş; görüntü verisi, filtre, özellik haritası ve pooling kavramları
11Basit görüntü sınıflandırma uygulaması; veri hazırlama ve CNN modeli eğitimi
12Veri artırma ve ön işleme; görüntü boyutlandırma, normalizasyon ve temel augmentasyon
13Önceden eğitilmiş modeller ve transfer öğrenmeye giriş
14Derin öğrenme sonuçlarının robotik ve görüntü işleme uygulamalarında kullanılması
15Uygulama çıktılarının değerlendirilmesi, hata kaynakları ve kısa teknik raporlama
16Genel Sınav
Kaynak
1. Goodfellow, I., Bengio, Y. ve Courville, A. (2016). Derin Öğrenme. MIT Press. 2. Chollet, F. (2021). Python ile Derin Öğrenme (2. Baskı). Manning Publications. 3. Géron, A. (2022). Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi (3. Baskı). O’Reilly Media. 4. (2026). TensorFlow Resmî Dokümantasyonu ve Geliştirici Kılavuzları. 5. (2026). PyTorch Resmî Dokümantasyonu, Eğitimleri ve Uygulama Örnekleri. 6. (2026). Ders uygulama notları, açık veri kümeleri ve örnek Python kodları. 7. Bishop, C. M. (2006). Örüntü Tanıma ve Makine Öğrenmesi. Springer. 8. Nielsen, M. A. (2015). Yapay Sinir Ağları ve Derin Öğrenme. Determination Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Temel matematik, programlama ve elektronik bilgilerini robotik ve yapay zekâ uygulamalarında etkin bir şekilde kullanır.
X
2
Robotik sistemlerin sensör, aktüatör ve kontrol birimleri gibi temel bileşenlerini tanımlar, donanımsal kurulumlarını yapar ve çalıştırır.
3
Mikrodenetleyici platformlarında temel seviyede program geliştirir ve donanım entegrasyonunu sağlar.
4
Alanında yaygın kullanılan programlama dillerini kullanarak temel algoritmalar tasarlar ve uygular.
X
5
Temel makine öğrenmesi yöntemlerini kullanarak yapay zekâ uygulamaları geliştirir ve test süreçlerini yürütür.
X
6
Sensörlerden elde edilen verileri toplar, analiz eder ve sistemin işleyişine göre yorumlar.
X
7
Temel kontrol sistemlerini kurar ve sistem performansını ilgili standartlara göre değerlendirir.
8
Robotik ve otomasyon projelerinin planlama, geliştirme ve test süreçlerinde bireysel inisiyatif alır; çok disiplinli takım çalışmaları içinde etkin rol alarak sorumluluk üstlenir.
X
9
Karşılaşılan donanımsal ve yazılımsal teknik problemlere temel düzeyde çözüm üretir, hata ayıklama işlemlerini gerçekleştirir.
X
10
Mesleki konulardaki düşüncelerini sözlü ve yazılı olarak ifade eder, alanı ile ilgili teknik dokümanları okur ve anlar.
11
Mesleki uygulamalarında etik kurallara, kalite süreçlerine ve iş sağlığı-güvenliği standartlarına uygun hareket eder.
12
Yaşam boyu öğrenme bilinci ile robotik ve yapay zekâ alanındaki güncel gelişmeleri takip eder, kendini sürekli yeniler.
X
13
Alanındaki yenilikleri izleyebilecek ve temel düzeyde iletişim kurabilecek seviyede en az bir yabancı dili (Avrupa Dil Portföyü A2 Genel Düzeyinde) kullanır.
14
Alanının gerektirdiği bilişim ve iletişim teknolojilerini Avrupa Bilgisayar Kullanma Lisansı Temel Düzeyinde etkin bir şekilde kullanır.
X
15
Robotik ve yapay zekâ teknolojilerinin toplumsal, çevresel ve ekonomik etkilerini temel düzeyde değerlendirir; girişimcilik, yenilikçilik ve sürdürülebilirlik kavramları hakkında bilgi sahibi olarak bunları mesleki süreçlerine yansıtır.

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu