VBL5052 - Yapay Sinir Ağları

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
Yapay Sinir Ağları	VBL5052	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, öğrencilere yapay sinir ağlarının yapı taşlarını, öğrenme algoritmalarının matematiksel türetimlerini ve doğrusal olmayan problemleri çözme mantığını öğretmektir. Derin öğrenme mimarilerine temel teşkil eden klasik ağ yapılarını (Perceptron, MLP, Hopfield, SOM) derinlemesine inceleyerek, öğrencilerin bir sinir ağının "kara kutu" olarak değil, optimize edilebilir bir matematiksel fonksiyon olarak kavranması hedeflenmektedir.
Ders İçeriği	Ders; nöron modelleri, aktivasyon fonksiyonlarının türevlenebilirliği, ağırlık vektörü uzayı ve hata yüzeyi analizi konularını kapsar. Klasik ileri beslemeli ağların yanı sıra, geri beslemeli (recurrent) ağların temel mantığı, rekabetçi öğrenme (Self-Organizing Maps) ve enerji tabanlı modeller (Hopfield) gibi klasik yapay sinir ağı yaklaşımları teknik detaylarıyla incelenir.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Giriş ve Biyolojik Temeller: Biyolojik nöron yapısı, yapay nöron modelleri (McCulloch-Pitts), eşik fonksiyonları.
2	Öğrenme Kuralları ve Taksonomi: Denetimli, denetimsiz ve takviyeli öğrenme; Hebbian, Perceptron ve Delta öğrenme kuralları.
3	Tek Katmanlı Duyargalar (Simple Perceptrons): Mimari, yakınsama teoremi, doğrusal ayrılabilirlik kavramı.
4	Adaline ve Madaline Ağları: En küçük kareler (LMS) yöntemi, gradyan inişine (Gradient Descent) giriş.
5	Çok Katmanlı İleri Beslemeli Ağlar (MLP): Yapısal özellikler, gizli katmanların (hidden layers) rolü ve evrensel yaklaşım teoremi (Universal Approximation Theorem).
6	Geri Yayılım (Backpropagation) - I: Hata fonksiyonunun matematiksel türetimi, zincir kuralı (Chain Rule) uygulaması.
7	Geri Yayılım (Backpropagation) - II: Algoritmanın hesaplama adımları, ileri ve geri geçiş analizleri.
8	Ara Sınav / Matematiksel Modelleme Ödevi
9	YSA'da Optimizasyon Sorunları: Yerel minimumlar, düzlükler (plateaus), öğrenme katsayısının (learning rate) etkisi ve momentum terimi.
10	Radyal Tabanlı Fonksiyon (RBF) Ağları: Yerel öğrenme, Gauss çekirdekleri ve interpolasyon problemleri.
11	Öz-Düzenlemeli Haritalar (Kohonen SOM): Denetimsiz öğrenme, rekabetçi öğrenme mantığı ve boyut indirgeme.
12	Geri Beslemeli (Recurrent) Klasik Ağlar: Hopfield ağları, enerji fonksiyonları ve ilişkisel bellek (Associative Memory).
13	Vektör Nicemleme (LVQ) ve Adaptif Rezonans Teorisi (ART): Klasik sınıflandırma ve kümeleme ağları.
14	Modern Dönüşüm: Klasik YSA'dan Derin Öğrenmeye geçişin nedenleri (vanishing gradient vb.) ve genel tekrar.

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
Sinir ağlarının biyolojik temelleri ile yapay modeller arasındaki ilişkiyi açıklar.	-	-	-	-	-	-	-	-	-	-	-
Tek katmanlı ve çok katmanlı ağların öğrenme kurallarını (Delta kuralı, Hebbian öğrenme vb.) matematiksel olarak ifade eder.	-	-	-	-	-	-	-	-	-	-	-
Geri Yayılım (Backpropagation) algoritmasını elle (manuel olarak) türetebilir ve gradyan hesaplamalarını yapar.	-	-	-	-	-	-	-	-	-	-	-
Yapay sinir ağlarında karşılaşılan yerel minimum ve aşırı öğrenme gibi problemleri teşhis eder.	-	-	-	-	-	-	-	-	-	-	-
Denetimli ve denetimsiz klasik sinir ağı modellerini uygun problem tipleriyle eşleştirir.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451278