GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BİLM-433 | PEKİŞTİRMELİ ÖĞRENME | Seçmeli Ders Grubu | 4 | 7 | 5,00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı öğrencilere makine öğrenmenin bir alt dalı olan pekiştirmeli öğrenme algoritmalarını tanıtmak ve derin öğrenme ile birleştirerek çeşitli mühendislik problemlerini çözmeyi göstermektir.
Dersi Veren Öğretim GörevlisiGörevlileri
Dr. Öğr. Üyesi Mehmet Ali USTA
Öğrenme Çıktıları
| 1 | Pekiştirmeli öğrenme ile ilgili temel kavramları öğrenecekler ve bu tür sistemleri analiz edebilecek yeterli bilgiye sahip olacaklardır. |
| 2 | Pekiştirmeli öğrenmede kullanılan öğrenme algoritmaları hakkında bilgi sahibi olacaklardır. |
| 3 | Derin pekiştirmeli öğrenmede kullanılan öğrenme algoritmaları hakkında bilgi sahibi olacaklardır. |
| 4 | Pekiştirmeli öğrenme algoritmalarını kullanarak herhangi bir mühendislik problemini çözebilecek bilgiye sahip olacaklardır. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Pekiştirmeli öğrenmeye giriş, Markov karar süreçleri, Bellman Denklemleri, Model tabanlı algoritmalar, Politika iterasyonu, Değer iterasyonu, Modelden Bağımsız Algoritmalar, Monte Carlo benzetimi, Zamansal fark öğrenme yöntemleri, Off- and On-politika yöntemleri, Q-öğrenme algoritması, Fonksiyon yaklaşımları, Derin pekiştirme öğrenme algoritmaları, Politika gradyan algoritmaları, Politika gradyan ve Q-öğrenme algoritmalarını birleştirme
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Pekiştirmeli öğrenmeye giriş | ||
| 2 | Markov karar süreçleri | ||
| 3 | Bellman optimallik denklemleri | ||
| 4 | Model tabanlı algoritmalar | ||
| 5 | Modelden bağımsız algoritmalar | ||
| 6 | Modelden bağımsız algoritmalar | ||
| 7 | Fonksiyon yaklaşımı | ||
| 8 | Fonksiyon yaklaşımı | ||
| 9 | Derin Q-öğrenme | ||
| 10 | Derin Q-öğrenme | ||
| 11 | Politika gradyan algoritmaları | ||
| 12 | Politika gradyan algoritmaları | ||
| 13 | Politika gradyan ve Q-öğrenme algoritmalarını birleştirme | ||
| 14 | Planlama ve öğrenme |
Ders Kitabı Malzemesi Önerilen Kaynaklar
[1] Nimish Sanghi, “Deep Reinforcement Learning with Python”, Apress, 2021. [2] Richard S. Sutton, Andrew G. Barto, “Reinforcement Learning: An Introduction, 2nd Edition”, MIT Press, 2015
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Bireysel Çalışma | 14 | 3 | 42 |
| Ara Sınav İçin Bireysel Çalışma | 7 | 4 | 28 |
| Final Sınavı içiin Bireysel Çalışma | 7 | 4 | 28 |
| Toplam İş Yükü (saat) | 144 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
| ÖÇ 3 |
| ÖÇ 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek