| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Bilgisayar Görmesi | ISE 515 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi FATMA AKALIN |
| Dersi Verenler | Dr.Öğr.Üyesi FATMA AKALIN, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Öğretim |
| Dersin Amacı | Bu dersin amacı, öğrencilere bilgisayar görmesi alanının temel ve ileri düzey kavramlarını kazandırmak; klasik görüntü işleme tekniklerinden başlayarak yapay zeka ve derin öğrenme tabanlı yöntemlere kadar uzanan modern yaklaşımları öğretmek ve bu yöntemleri gerçek dünya problemlerine uygulayabilme yetkinliği geliştirmektir. Ders kapsamında öğrencilerin; görüntü işleme, özellik çıkarımı, nesne tespiti, segmentasyon, evrişimsel sinir ağları (CNN), transformer tabanlı mimariler ve çok kipli (multimodal) modeller hakkında teorik bilgi edinmeleri ve bu bilgileri uygulamalı projelerle pekiştirmeleri hedeflenmektedir.
Ayrıca, yapay zeka ve bilgisayar görmesi sistemlerinin etik, güvenilirlik ve veri mahremiyeti boyutlarını değerlendirebilen, sorumlu ve bilinçli teknoloji geliştirme perspektifine sahip bireyler yetiştirilmesi amaçlanmaktadır. |
| Dersin İçeriği |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Bilgisayar görmesinin temel kavramlarını (görüntü oluşumu, piksel yapısı, renk uzayları, filtreleme) açıklar. | Anlatım, Deney ve Laboratuvar, | |
| 2 | Dijital görüntü işleme tekniklerini (kenar bulma, eşikleme, morfolojik işlemler, histogram işlemleri) uygular. | Anlatım, Tartışma, Deney ve Laboratuvar, Gözlem, | |
| 3 | Özellik çıkarım yöntemlerini (SIFT, SURF, HOG, ORB vb.) karşılaştırır ve uygun problemi için seçer. | Anlatım, Tartışma, Gezi / Gözlem, Gözlem, | |
| 4 | Görüntü segmentasyonu yöntemlerini analiz eder ve uygular. | Deney ve Laboratuvar, Gezi / Gözlem, Gözlem, | |
| 5 | Yapay zeka, makine öğrenmesi, derin öğrenme kavramlarını ve bilgisayar görmesi kavramlarını açıklar ve aralarındaki farkları analiz eder. | Anlatım, Deney ve Laboratuvar, Gözlem, | |
| 6 | Yapay sinir ağlarının çalışma prensiplerini (ileri yayılım, geri yayılım, aktivasyon fonksiyonları, kayıp fonksiyonları) açıklar. | Anlatım, Tartışma, Deney ve Laboratuvar, Gözlem, | |
| 7 | Evrişimsel sinir ağlarının (CNN) temel yapısını ve bileşenlerini (convolution, pooling, fully connected, batch normalization vb.) açıklar. | ||
| 8 | Derin öğrenme mimarilerini bilgisayar görmesi problemlerine entegre eder. | ||
| 9 | Nesne tespiti ve sınıflandırma algoritmalarını (klasik yöntemler ve CNN tabanlı yaklaşımlar) değerlendirir ve karşılaştırır. | ||
| 10 | Performans ölçütlerini (accuracy, precision, recall, F1-score, IoU, mAP) hesaplar ve yorumlar. | ||
| 11 | Gerçek dünya verileri üzerinde görüntü tabanlı bir problem için uçtan uca bir çözüm tasarlar. | ||
| 12 | Bilgisayar görmesi uygulamalarının etik ve toplumsal etkilerini tartışır. |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | 1. Hafta – Giriş ve Temel Kavramlar | |
| 2 | 2. Hafta – Görüntü İşleme Temelleri, Özellik Çıkarımı ve Klasik Yöntemler | |
| 3 | 3. Hafta – Görüntü İşleme Filtreleri | |
| 4 | 4. Hafta – İleri Düzey Görüntü İşleme Filtreleri | |
| 5 | 5. Hafta – Yapay Sinir Ağları (ANN) | |
| 6 | 6. Hafta – Convolutional Neural Networks (CNN) | |
| 7 | 7. Hafta – Gelişmiş CNN Mimarileri | |
| 8 | 8. Hafta – Nesne Tespiti (Object Detection) ve Görüntü Segmentasyonu | |
| 9 | Vize Haftası | |
| 10 | 10. Hafta – Transformer Mimarisi ve Vision Transformer | |
| 11 | 11. Hafta – Yapay Zeka ve Bilgisayar Görmesinde Etik | |
| 12 | 12. Hafta – Gerçek Hayat Uygulamaları | |
| 13 | 13. Hafta – Güncel Araştırmalar ve Proje Sunumları | |
| 14 | 14. Hafta – Güncel Araştırmalar ve Proje Sunumları |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır. | ||||||
| 2 | Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular. | ||||||
| 3 | Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır. | ||||||
| 4 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | ||||||
| 5 | Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 |
|---|---|---|---|---|---|---|
| 1 | Bilgisayar görmesinin temel kavramlarını (görüntü oluşumu, piksel yapısı, renk uzayları, filtreleme) açıklar. | |||||
| 2 | Dijital görüntü işleme tekniklerini (kenar bulma, eşikleme, morfolojik işlemler, histogram işlemleri) uygular. | |||||
| 3 | Özellik çıkarım yöntemlerini (SIFT, SURF, HOG, ORB vb.) karşılaştırır ve uygun problemi için seçer. | |||||
| 4 | Görüntü segmentasyonu yöntemlerini analiz eder ve uygular. | |||||
| 5 | Yapay zeka, makine öğrenmesi, derin öğrenme kavramlarını ve bilgisayar görmesi kavramlarını açıklar ve aralarındaki farkları analiz eder. | |||||
| 6 | Yapay sinir ağlarının çalışma prensiplerini (ileri yayılım, geri yayılım, aktivasyon fonksiyonları, kayıp fonksiyonları) açıklar. | |||||
| 7 | Evrişimsel sinir ağlarının (CNN) temel yapısını ve bileşenlerini (convolution, pooling, fully connected, batch normalization vb.) açıklar. | |||||
| 8 | Derin öğrenme mimarilerini bilgisayar görmesi problemlerine entegre eder. | |||||
| 9 | Nesne tespiti ve sınıflandırma algoritmalarını (klasik yöntemler ve CNN tabanlı yaklaşımlar) değerlendirir ve karşılaştırır. | |||||
| 10 | Performans ölçütlerini (accuracy, precision, recall, F1-score, IoU, mAP) hesaplar ve yorumlar. | |||||
| 11 | Gerçek dünya verileri üzerinde görüntü tabanlı bir problem için uçtan uca bir çözüm tasarlar. | |||||
| 12 | Bilgisayar görmesi uygulamalarının etik ve toplumsal etkilerini tartışır. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 35 |
| 1. Ödev | 20 |
| 2. Ödev | 20 |
| 1. Proje / Tasarım | 25 |
| Toplam | 100 |
| 1. Final | 50 |
| 1. Yıl İçinin Başarıya | 50 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 8 | 3 | 24 |
| Ara Sınav | 1 | 12 | 12 |
| Kısa Sınav | 1 | 4 | 4 |
| Ödev | 1 | 10 | 10 |
| Final | 1 | 18 | 18 |
| Proje / Tasarım | 8 | 3 | 24 |
| Toplam İş Yükü | 140 | ||
| Toplam İş Yükü / 25 (Saat) | 5,6 | ||
| dersAKTSKredisi | 6 | ||