Akademik Dersler - İçerik

1. Yapay Sinir Ağlarına Giriş • Öğrenciler yapay sinir ağlarının temel yapı taşlarını (nöron, ağırlık, sapma) tanımlayabilecektir. • Perceptron ve ileri besleme yapısını kavrayabilecektir. • Basit bir yapay sinir ağı modeli kurup çalıştırabilecektir. 2. Yapay Sinir Ağlarının Eğitimi ve Değerlendirilmesi • Aktivasyon fonksiyonlarının türlerini ve etkilerini açıklayabilecektir. • Eğitim ve test veri ayrımını anlayarak ağ başarımını değerlendirebilecektir. • Geri yayılım algoritması ile ağ eğitimi gerçekleştirebilecektir. 3. Derin Öğrenme Temelleri • Derin sinir ağı mimarilerinin katman yapısını analiz edebilecektir. • Hiperparametreleri tanımlayarak öğrenme sürecine etkilerini tartışabilecektir. • Düzenleme teknikleri (dropout, L2 gibi) ile aşırı öğrenme (overfitting) problemlerine çözüm üretebilecektir. 4. Derin Öğrenmede Optimizasyon ve Performans • Farklı optimizasyon algoritmalarının (SGD, Adam vb.) avantaj ve dezavantajlarını kıyaslayabilecektir. • Öğrenme oranı ve diğer hiperparametreleri etkili şekilde ayarlayabilecektir. • Model başarımını ölçmek için uygun değerlendirme metriklerini seçip kullanabilecektir. 5. Evrişimli Sinir Ağları (CNN) • Evrişim işlemi, filtreler ve özellik haritalarının işleyişini açıklayabilecektir. • Popüler CNN mimarilerini (LeNet, AlexNet, VGG) örneklerle açıklayabilecektir. • Görüntü işleme görevlerinde CNN mimarisinin nasıl uygulandığını gösterebilecektir. 6. Tekrarlayan Sinir Ağları (RNN) ve Zaman Serileri • Zaman serisi verisi ile çalışmak için RNN yapısını açıklayabilecektir. • LSTM ve GRU gibi gelişmiş RNN mimarilerini ayırt edebilecektir. • BPTT yöntemi ile zaman bağımlı modellerin eğitimi hakkında bilgi sahibi olabilecektir. 7. Pekiştirmeli Öğrenme Temelleri • Ajan-çevre etkileşim döngüsünü ve Markov Karar Süreçlerini (MDP) açıklayabilecektir. • Keşif ve sömürü dengesini örneklerle değerlendirebilecektir. • Politika, ödül ve değer fonksiyonu gibi temel kavramları uygulamalı örneklerle ilişkilendirebilecektir.