Akademik Dersler - İçerik

Haftalar	Konular
1. hafta	Giriş yapılır; yapay zekâ, makine öğrenmesi ve derin öğrenme kavramları arasındaki farklar, tarihsel gelişim ve büyük veri bağlamındaki yeri açıklanır.
2. hafta	Yapay sinir ağlarının temelleri, yapay nöron modeli, aktivasyon fonksiyonları ve ileri beslemeli basit ağlar üzerinde durulur.
3. hafta	İleri yayılım, hata fonksiyonları ve geri yayılım algoritmasıyla ağların nasıl eğitildiği anlatılır.
4. hafta	Optimizasyon yöntemlerine geçilir; SGD, Momentum, RMSProp ve Adam gibi algoritmalar örneklerle incelenir.
5. hafta	Hafta aşırı öğrenme (overfitting) sorunu ele alınır; düzenlileştirme teknikleri, dropout, veri artırma yöntemleri işlenir.
6. hafta	Python ortamında kullanılan derin öğrenme kütüphaneleri (TensorFlow, PyTorch) tanıtılır ve küçük bir sinir ağı uygulaması yapılır.
7. hafta	Çok katmanlı derin sinir ağları (DNN) ayrıntılı olarak incelenir ve basit sınıflandırma problemleri üzerinde uygulama yapılır.
8. hafta	Evrişimli sinir ağlarının (CNN) mantığı, katman yapıları ve görüntü işleme alanındaki uygulamaları gösterilir.
9. hafta	Özyinelemeli sinir ağları (RNN) ele alınır; zaman serisi ve metin gibi sıralı verilerde kullanımı, LSTM ve GRU modelleriyle birlikte anlatılır.
10. hafta	Doğal dil işleme uygulamaları işlenir; embedding yöntemleri, Word2Vec ve temel metin sınıflandırma çalışmaları yapılır.
11. hafta	Encoder–decoder mimarileri ve seq2seq modelleri tanıtılır, attention mekanizmasına giriş yapılır.
12. hafta	Modern yaklaşımlar üzerinde durulur; Transformer mimarisi ayrıntılı incelenir ve BERT, GPT gibi modellerin temel prensipleri tartışılır.
13. hafta	Derin öğrenmenin farklı uygulama alanları (görüntü, metin, ses işleme) ve büyük veri ekosistemleriyle entegrasyonu ele alınır.
14. hafta	Dönem projeleri öğrenciler tarafından sunulur, derste öğrenilen konular özetlenir ve gelecekteki derin öğrenme trendleri değerlendirilir.