DERİN ÖĞRENMEDE GÜNCEL KONULAR

AMAÇ

Bu derste derin öğrenmeye giriş sunulmaktadır. Derin öğrenme modern sinir ağlarının geliştirilmesi ve uygulanmasıyla ilgilenen bir makine öğrenme dalıdır. Derste işlenen konular: temel sinir ağları; evrişimsel ve özyineli ağ yapıları; derin güdümsüz öğrenme; bilgisayarla görü, görüntü işleme ve doğal dil işleme gibi alanlardaki uygulamalar. Ders hem güdümlü hem de güdümsüz öğrenme görevleri için eğitim ve eniyileme stratejilerini içerecektir. Bu derste yapay zeka yardımcı pilot rolündedir. Aşağıdaki stratejileri kullanılacaktır: Yapay Zeka Destekli Kodlama: Öğrencilerin, oluşturdukları her satırı açıklayabilmeleri ve belgeleyebilmeleri koşuluyla, GitHub Copilot veya ChatGPT gibi araçları kullanarak şablon kodlar oluşturmaları teşvik edilir. Sokratik Yapay Zeka Eğitimi: Karmaşık kavramları basitleştirmek için öğrenme modellerini kullanmak (örneğin, "Geri yayılımı 5 yaşında bir çocuğa anlatır gibi açıklayın"). Yapay Zeka Tarafından Oluşturulan Sentetik Veriler: Model sağlamlığını test etmek için uç durum veri kümeleri oluşturmak üzere yapay zeka kullanmak. Yapay Zeka Kırmızı Takım Testi: Yapay zeka tarafından oluşturulan kodu "halüsinasyonlar" veya mimari verimsizlikler açısından eleştirmek.

İÇERİK

Bu ders; Makine Öğrenme ve Sinir Ağlarına Giriş ,Sinir Ağlarının Eğitimi ,Evrişimsel Sinir Ağları (ESA) ,ESA'daki Ağ Katmanları ,Derin Öğrenme Donanım ve Yazılımları ,Derin Öğrenme Mimarileri ,Derin Öğrenme Stratejileri,Özyineli Sinir Ağları ve LSTM'ler ,Doğal Dil İşleme ve Derin Öğrenme ,Bilgisayarla Görü ve Derin Öğrenme ,Görüntü İşleme ve Derin Öğrenme ,Güdümsüz Öğrenme ve Üretici Modelleme ,Derin Öğrenmenin Gelişmiş Uygulamalar ,Proje Sunumları; konularını içermektedir.

1. 1

   1. Design Convolutional Neural Networks for supervised and unsupervised learning, while using AI assistants to compare different architectural trade-offs.

   Öğretim yöntemi: Tartışma Yöntemi, Beyin Fırtınası Tekniği, Proje Temelli Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

2. 2

   2. Analyze the effects of hyper-parameters on learning performance using AI-driven simulation tools to visualize Loss Functions.

   Öğretim yöntemi: Tartışma Yöntemi, Beyin Fırtınası Tekniği, Proje Temelli Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Proje Görevi

3. 3

   3. Apply advanced learning techniques for training deep networks and use LLMs to troubleshoot Gradient issues.

   Öğretim yöntemi: Tartışma Yöntemi, Beyin Fırtınası Tekniği, Proje Temelli Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

4. 4

   4. Implement applications of deep networks in computer vision, image processing, and natural language processing through AI-collaborative coding.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Proje Temelli Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Ödev, Proje Görevi

5. 5

   5. Use current software and hardware tools for deep learning, including Generative AI platforms for code generation, documentation, and synthetic data augmentation.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Proje Temelli Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Ödev, Proje Görevi

HAFTALIK PLAN

1. HAFTA 1

   Makine Öğrenme ve Sinir Ağlarına Giriş

2. HAFTA 2

   Sinir Ağlarının Eğitimi

3. HAFTA 3

   Evrişimsel Sinir Ağları (ESA)

4. HAFTA 4

   ESA'daki Ağ Katmanları

5. HAFTA 5

   Derin Öğrenme Donanım ve Yazılımları

6. HAFTA 6

   Derin Öğrenme Mimarileri

7. HAFTA 7

   Derin Öğrenme Stratejileri

8. HAFTA 8

   Özyineli Sinir Ağları ve LSTM'ler

9. HAFTA 9

   Doğal Dil İşleme ve Derin Öğrenme

10. HAFTA 10

    Bilgisayarla Görü ve Derin Öğrenme

11. HAFTA 11

    Görüntü İşleme ve Derin Öğrenme

12. HAFTA 12

    Güdümsüz Öğrenme ve Üretici Modelleme

13. HAFTA 13

    Derin Öğrenmenin Gelişmiş Uygulamalar

14. HAFTA 14

    Proje Sunumları

DEĞERLENDİRME

• Ara Sınavın Başarıya Oranı50%
• Genel Sınavın Başarıya Oranı50%

İŞ YÜKÜ

KAYNAKLAR

• Deep Learning, I. Goodfellow, Y. Bengio and A. Courville , MIT Press, http://www.deeplearningbook.org , 2016.
• Machine Learning, Andrew Ng, Intel® AI Academy Deep Learning 501 https://software.intel.com/en-us/ai-academy/students/kits/deep-learning-501

ÖĞRETİM ELEMANLARI

• Prof.Dr. Bahadır Kürşat GÜNTÜRKKOORDİNATÖR
• Assist.Prof. Ahmet KAPLAN