Bu dersin amacı, derin öğrenmenin temel kuramsal altyapısını ve modern sinir ağı mimarilerini öğretmek; öğrencilerin gerçek veri setleri üzerinde derin öğrenme modelleri geliştirebilme, eğitebilme ve değerlendirebilme yetkinliği kazanmalarını sağlamaktır. Ders kapsamında CNN, RNN, LSTM, Transformer ve üretken modeller ele alınarak, transfer öğrenme, model optimizasyonu ve etik boyutlar çerçevesinde ileri düzey uygulamalar yapılması hedeflenmektedir.

Yapay sinir ağlarının biyolojik temelleri ve tarihçesi, tek katmanlı ve çok katmanlı algılayıcılar (perceptron, MLP), aktivasyon fonksiyonları, geri yayılım algoritması ve optimizasyon yöntemleri (SGD, Momentum, Adam), düzenlileştirme teknikleri (dropout, L1/L2, early stopping), evrişimli sinir ağları (CNN) mimarisi ve uygulamaları (görüntü sınıflandırma, nesne tespiti), tekrarlayan(recurrent) sinir ağları (RNN, LSTM, GRU) ve zaman serisi işleme, dikkat mekanizması(attentiton) ve dönüştürücü (transformer) modelleri, otomatik kodlayıcılar (autoencoders) ve üretken modeller, derin öğrenme kütüphaneleri ile pratik uygulamalar (PyTorch/TensorFlow/Keras), model değerlendirme ve hiperparametre optimizasyonu, derin öğrenmede etik sorunlar, yanlılık ve adillik kavramları ile bu konuların güncel literatürdeki önemli makalelerinin incelenmesi ve tartışılması.

Çevrimiçi ve yüz yüze eğitim

- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. - Antiga, L. P. G. (with Stevens, E., & Viehmann, T.). (2020). Deep learning with PyTorch. Manning. - Chollet, F. (2021). Deep learning with Python (Second edition). Manning Publications.