Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Zeki Optimizasyon YöntemleriBLM513237.5300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüSeçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Yüksek Lisans Programı
Seçmeli @ Mekatronik Mühendisliği ABD Mekatronik Mühendisliği Doktora Programı (%30 İngilizce)
Seçmeli @ Veri Bilimi ve Büyük Veri Yüksek Lisans Programı
Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Doktora Programı
Seçmeli @ Mekatronik Mühendisliği ABD Mekatronik Mühendisliği Yüksek Lisans Programı (%30 İngilizce)
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimBilgisayar Mühendisliği Bölümü
Dersin KoordinatörüOğuz Altun
Dersi Veren(ler)Oğuz Altun
Asistan(lar)ı
Dersin AmacıBu dersi başarılı olarak tamamlayan öğrenci bir kaç farklı önemli zeki optimizasyon algoritmasını tanımalı, rastgelelik kullanan algoritmaları bilimsel bir yöntem ile karşılaştırabilmeli, konudaki son bilimsel gelişmelerin bir kısmından haberdar olmalı, kara-kutu optimizasyon problemlerini uygun gösterimler ve hedef fonksiyonları ile modelleyebilmeli ve optimizasyon yaparken aşılması gereken zorlukların farkında olmalıdır.
Dersin İçeriğiTürev temelli optimizasyon, tek-durumlu ve populasyon yöntemleri, zeki optimizasyon yöntemlerinin karşılaştırılması, optimzasyonda aşılması gereken zorluklar, çok-hedefli optimizasyon, karınca kolonisi optimizasyonu, dağıllım tahmini algoritmaları.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Essentials of Metaheuristics, Sean Luke
  • Metaheuristics: From Design to Implementation, El-Ghazali Talbi
  • An Introduction to Optimization, 4th Edition, Edwin K. P. Chong and Stanislaw H. Zak
  • Global Optimization Algorithms - Theory and Application -, 3rd Edition, Thomas Weise
  • Numerical Optimization, 2nd Edition, Jorge Nocedal and Stephen J. Wright
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Öğrenci Konveks küme ve fonksiyonları öğrenecektir.
  2. Öğrenci Gradyen İniş yöntemini öğrenecektir.
  3. Öğrenci Newton yöntemini öğrenecektir.
  4. Öğrenci Eşlenik Sezgisel Optimizasyon yöntemlerini öğrenecektir.
  5. Öğrenci yöntemlerin karşılaştırılmasını öğrenecektir.

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-5
PÇ-1-----
PÇ-2-----
PÇ-3-----
PÇ-4-----
PÇ-5-----
PÇ-6-----
PÇ-7-----
PÇ-8-----
PÇ-9-----
PÇ-10-----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

Değerlendirme Sistemi

AKTS İşyükü Tablosu

Diğer NotlarYok