Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| DERİN ÖĞRENME UYGULAMALARI | RYZ2222310 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Öğretim Görevlisi Dr. Sinem UYSAL |
| Dersin Amacı | Bu 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 İçeriği | Bu 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 Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Derin öğrenme, yapay sinir ağı, katman, aktivasyon fonksiyonu, kayıp fonksiyonu ve eğitim kavramlarını açıklar. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 2. Python tabanlı araçlarla belirli veri hazırlama, eğitim ve test işlemlerini gerçekleştirir. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 3. Temel yapay sinir ağı (YSA) ve evrişimli sinir ağı (CNN) modellerini belirli uygulama problemleri için kurar. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 4. Model eğitimi sırasında epoch, batch, öğrenme oranı, aşırı öğrenme ve doğrulama parametrelerini analiz eder. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 5. Eğitilen bir modelin doğruluk, hata ve karışıklık matrisi gibi temel sonuçlarını değerlendirir ve raporlar. | Anlatım Yöntemi | 1, Yazılı Sınav |
| Öğretim Yöntemleri: | Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | 1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Derse giriş; derin öğrenmenin kullanım alanları ve yapay zeka içindeki yeri | |
| 2 | Yapay sinir ağı temel kavramları; nöron, ağırlık, bias, katman ve çıktı | |
| 3 | Aktivasyon fonksiyonları, kayıp fonksiyonu ve modelin öğrenme mantığı | |
| 4 | Veri seti hazırlama; eğitim, doğrulama ve test verisine ayırma | |
| 5 | Python ile basit tam bağlı sinir ağı modeli kurma ve çalıştırma | |
| 6 | Model eğitimi; epoch, batch size, öğrenme oranı ve eğitim çıktılarının izlenmesi | |
| 7 | Model başarımını değerlendirme; doğruluk, hata, karışıklık matrisi ve temel yorumlama | |
| 8 | Ara Sınav | |
| 9 | Aşırı öğrenme ve yetersiz öğrenme; temel düzenleme ve doğrulama yaklaşımı | |
| 10 | Evrişimli sinir ağlarına giriş; görüntü verisi, filtre, özellik haritası ve pooling kavramları | |
| 11 | Basit görüntü sınıflandırma uygulaması; veri hazırlama ve CNN modeli eğitimi | |
| 12 | Veri artırma ve ön işleme; görüntü boyutlandırma, normalizasyon ve temel augmentasyon | |
| 13 | Önceden eğitilmiş modeller ve transfer öğrenmeye giriş | |
| 14 | Derin öğrenme sonuçlarının robotik ve görüntü işleme uygulamalarında kullanılması | |
| 15 | Uygulama çıktılarının değerlendirilmesi, hata kaynakları ve kısa teknik raporlama | |
| 16 | Genel 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 | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 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 Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (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
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| DERİN ÖĞRENME UYGULAMALARI | RYZ2222310 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | Öğretim Görevlisi Dr. Sinem UYSAL |
| Dersin Amacı | Bu 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 İçeriği | Bu 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 Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Derin öğrenme, yapay sinir ağı, katman, aktivasyon fonksiyonu, kayıp fonksiyonu ve eğitim kavramlarını açıklar. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 2. Python tabanlı araçlarla belirli veri hazırlama, eğitim ve test işlemlerini gerçekleştirir. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 3. Temel yapay sinir ağı (YSA) ve evrişimli sinir ağı (CNN) modellerini belirli uygulama problemleri için kurar. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 4. Model eğitimi sırasında epoch, batch, öğrenme oranı, aşırı öğrenme ve doğrulama parametrelerini analiz eder. | Anlatım Yöntemi | 1, Yazılı Sınav |
| 5. Eğitilen bir modelin doğruluk, hata ve karışıklık matrisi gibi temel sonuçlarını değerlendirir ve raporlar. | Anlatım Yöntemi | 1, Yazılı Sınav |
| Öğretim Yöntemleri: | Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | 1: Çoktan Seçmeli Sınav, Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Derse giriş; derin öğrenmenin kullanım alanları ve yapay zeka içindeki yeri | |
| 2 | Yapay sinir ağı temel kavramları; nöron, ağırlık, bias, katman ve çıktı | |
| 3 | Aktivasyon fonksiyonları, kayıp fonksiyonu ve modelin öğrenme mantığı | |
| 4 | Veri seti hazırlama; eğitim, doğrulama ve test verisine ayırma | |
| 5 | Python ile basit tam bağlı sinir ağı modeli kurma ve çalıştırma | |
| 6 | Model eğitimi; epoch, batch size, öğrenme oranı ve eğitim çıktılarının izlenmesi | |
| 7 | Model başarımını değerlendirme; doğruluk, hata, karışıklık matrisi ve temel yorumlama | |
| 8 | Ara Sınav | |
| 9 | Aşırı öğrenme ve yetersiz öğrenme; temel düzenleme ve doğrulama yaklaşımı | |
| 10 | Evrişimli sinir ağlarına giriş; görüntü verisi, filtre, özellik haritası ve pooling kavramları | |
| 11 | Basit görüntü sınıflandırma uygulaması; veri hazırlama ve CNN modeli eğitimi | |
| 12 | Veri artırma ve ön işleme; görüntü boyutlandırma, normalizasyon ve temel augmentasyon | |
| 13 | Önceden eğitilmiş modeller ve transfer öğrenmeye giriş | |
| 14 | Derin öğrenme sonuçlarının robotik ve görüntü işleme uygulamalarında kullanılması | |
| 15 | Uygulama çıktılarının değerlendirilmesi, hata kaynakları ve kısa teknik raporlama | |
| 16 | Genel 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 | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 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 Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |