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

HaftaKonularÖn Hazırlık
1Tanıtım
2Matematik Tekrarı
3Küme-Kısıtlı ve Kısıtsız Optimizasyonun Temelleri
4Tek-Boyutlu Arama Yöntemleri
5Gradyen Yöntemleri
6Newton Yöntemi
7Global Arama Algoritmaları
8Ara Sınav 1
9Global Arama Algoritmaları
10Optimizasyon Problemlerinin Modellenmesi
11Optimizasyon ve Yapay Sinir Ağları
12Yöntemlerin Karşılaştırılması
13Proje Sunumları
14Proje Sunumları
15Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev110
Sunum/Jüri
Projeler125
Seminer/Workshop
Ara Sınavlar125
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati133
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması135
Derse Özgü Staj
Ödev110
Küçük Sınavlar/Stüdyo Kritiği
Projeler135
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)135
Final (Sınav Süresi + Sınav Hazırlık Süresi)141
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok