VBL5016 - Derin Öğrenme

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ VE ANALİTİĞİ - YL

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
Derin Öğrenme	VBL5016	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, temel derin öğrenme bilgisini ileri düzey mimarilere, öz-denetimli öğrenme yöntemlerine ve karmaşık veri tiplerine (graf, nokta bulutu, vb.) taşımaktır. Ders; Transformer mimarilerinin derinlemesine incelenmesi, üretken yapay zeka (Generative AI), difüzyon modelleri ve model açıklanabilirliği gibi literatürün en güncel konularını hem teorik hem de araştırma odaklı bir perspektifle ele alır.
Ders İçeriği	Ders; Attention ve Transformer varyasyonları, Vision Transformers (ViT), Grafik Sinir Ağları (GNN), Öz-denetimli Öğrenme (Contrastive Learning), Üretken Modeller (GAN, Diffusion, VAE), Sinirsel Radyans Alanları (NeRF) ve Büyük Dil Modellerinin (LLM) ince ayar (Fine-tuning) süreçlerini kapsar.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Derin Öğrenme ve Ölçekleme Modern optimizasyon, büyük modellerde aşırı parametreleşme.
2	İleri Attention Mekanizmaları
3	Vision Transformers (ViT)
4	Öz-Denetimli Öğrenme (SSL)Contrastive learning, SimCLR, MoCo ve BYOL yaklaşımları.
5	Graf Sinir Ağları (GNN) Graf evrişimi (GCN), GraphSAGE ve Graph Attention (GAT).
6	Üretken Çekişmeli Ağlar (GAN) - İleri StyleGAN, CycleGAN ve kararlı eğitim teknikleri.
7	Difüzyon Modelleri (Diffusion)Gürültü giderme, Stable Diffusion ve Score-based modeller.
8	Ara Sınav / Literatür Taraması Güncel makale sunumları ve kritik değerlendirme.
9	Büyük Dil Modelleri (LLM) Pre-training, RLHF (İnsan Geri Bildirimi ile Pekiştirmeli Öğrenme).
10	Prompt Engineering ve In-Context LearningModelleri komutlarla yönlendirme ve az-örnekli öğrenme.
11	Multimodal Öğrenme CLIP, Flamingo gibi görsel ve metinsel veriyi birleştiren modeller.
12	Sinirsel Mimari Arama (NAS)Otomatik model tasarımı ve donanım duyarlı mimariler.
13	Model Sıkıştırma ve Hızlandırma Budama (Pruning), Kuantizasyon ve Bilgi Damıtma (Distillation).
14	Etik, Güvenlik ve Robustness Adversarial ataklar, model yanlılığı ve yapay zeka etiği.

Program Çıktıları
1	Veri bilimi ve analitiğinin temel bileşenlerine hâkim olma; istatistiksel analiz, veri madenciliği ve makine öğrenmesine ilişkin yöntemleri uygulamalı olarak kullanabilme
2	Yapılandırılmış ve yapılandırılmamış veri tiplerini analiz etme becerisine sahip olma; büyük veri kümeleri üzerinden anlamlı çıkarımlar yaparak analitik yöntemleri etkili biçimde kullanabilme
3	Veri analizi ve modelleme süreçlerinde Python, R, SQL gibi programlama dillerinden yararlanabilme; veri işleme ve otomasyon adımlarını etkin biçimde yönetebilme
4	Veri görselleştirme ve sonuç raporlama tekniklerini kullanarak analiz bulgularını açık, etkili ve karar verme süreçlerine katkı sunacak biçimde ifade edebilme
5	Karmaşık veri odaklı problemleri analiz edebilme, uygun çözüm yolları geliştirebilme ve bilimsel araştırma yöntemleri aracılığıyla yaratıcı, veri temelli kararlar alabilme
6	Veri bilimi ve analitiği kapsamında karşılaşılan problemleri analiz edebilme, uygun veri analizi tekniklerini seçerek çözüm yolları geliştirebilme; istatistiksel, algoritmik ve yapay zekâ temelli yöntemleri eleştirel düşünme yeteneğiyle değerlendirebilme
7	Veri bilimi ve analitiği uygulamalarında Python, R, SQL gibi programlama dillerini etkin biçimde kullanabilme; veri madenciliği, makine öğrenmesi, büyük veri işleme, veri görselleştirme ve modelleme araçlarıyla pratik çözümler geliştirebilme, gerçek veri setleri üzerinde uygulamalar gerçekleştirebilme
8	Veri bilimi ve analitiği ile ilgili bireysel veya ekip çalışmalarında sorumluluk üstlenebilme, karmaşık veri projelerini bağımsız olarak planlayıp yürütebilme; karşılaştığı sorunlara analitik ve yaratıcı çözümler geliştirerek karar alma süreçlerinde etkin rol oynayabilme
9	Veri bilimi ve analitiği alanındaki güncel gelişmeleri, teknolojileri ve yöntemleri izleyerek yaşam boyu öğrenme bilinciyle kendini sürekli geliştirme yetkinliğine sahip olma; yeni bilgi ve becerileri hızla edinip uygulamaya aktarabilme
10	Veri bilimi ve analitiği alanındaki çalışmalarını yazılı, sözlü ve görsel yollarla açık ve etkili bir biçimde ifade edebilme; çok disiplinli takımlarda etkin biçimde çalışabilme, iletişim kurabilme ve iş birliğine dayalı çözümler geliştirebilme
11	Veri bilimi ve analitiği alanına özgü kavramlara, yöntemlere, algoritmalara ve araçlara hâkim olma; etik ilkelere uygun biçimde veri toplama, işleme, analiz etme ve yorumlama süreçlerini yürütebilme, veri gizliliği ve güvenliği konularında sorumluluk bilinciyle hareket edebilme

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	PÇ 1	PÇ 2	PÇ 3	PÇ 4	PÇ 5	PÇ 6	PÇ 7	PÇ 8	PÇ 9	PÇ 10	PÇ 11
En son literatürdeki (SOTA) derin öğrenme makalelerini okuyup analiz edebilir ve uygulayabilir.	-	-	-	-	-	-	-	-	-	-	-
Büyük Dil Modelleri (LLM) ve Görme Transformer'larının (ViT) matematiksel altyapısını açıklar.	-	-	-	-	-	-	-	-	-	-	-
Veri kıtlığı durumunda Öz-Denetimli Öğrenme (Self-Supervised Learning) tekniklerini kullanır.	-	-	-	-	-	-	-	-	-	-	-
Graf Sinir Ağları (GNN) ile yapılandırılmamış ve ilişkisel verileri modeller.	-	-	-	-	-	-	-	-	-	-	-
Modellerin hesaplama maliyetini düşürmek için Model Sıkıştırma (Pruning, Quantization) yöntemlerini uygular.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451242