Hoş Geldiniz,
Misafir
.
Oturum Aç
.
English
NİNOVA
DERSLER
YARDIM
HAKKINDA
Neredeyim:
Ninova
/
Dersler
/
Fen Bilimleri Enstitüsü
/
BLG 609E
/
Dersin Bilgileri
Fakülteye dön
Ana Sayfa
Dersin Bilgileri
Dersin Haftalık Planı
Değerlendirme Kriterleri
Dersin Bilgileri
Dersin Adı
Türkçe
Bilgisayar Mühendisliğinde Gelişmiş Konular
İngilizce
Advanced Topics in Comp. Eng.
Dersin Kodu
BLG 609E
Kredi
Ders
(saat/hafta)
Uygulama
(saat/hafta)
Labratuvar
(saat/hafta)
Dönem
-
3
3
-
-
Dersin Dili
İngilizce
Dersin Koordinatörü
Burak Berk Üstündağ
Dersin Amaçları
1- Doğadaki zeki sistemlerde nöromorfik hesaplama paradigmasının anlaşılması
2- Nöromorfik sistemlerde enformasyon işlemenin anlaşılması ve başarım ölçütleri
3- Sinir hücre ve sistem modellerine dayalı olarak iğnecikli sinir ağlarının tasarımı
4- Hesaplama ve makine öğrenmesi için nöromorfik sistem tasarımı
5- Nöromorfik enformasyon işleme sistemlerinin gerçekleştirme yöntemleri (Memristors,BNNs etc.)
Dersin Tanımı
Yapay zeka uygulamalarının gelişimi ile bilişsel fonksiyonların tüketilen güç ve kullanılan veri bakımından daha verimli doğa esinli hesaplama paradigmaları ile gerçeklenmesi önemli bir trend haline gelmiştir. Nöromorfik hesaplama, biyolojik sinirsel sistemlerin ve beyin-konektom yapısının incelenmesi, modellenmesi ve benzetim yöntemleri üzerine kuruludur. Bu ders beyin-sinir-konektom yapılarında nöromorfik öğrenme, iğnecikli sinir ağları ve yapay gerçeklemeleri, nöromorfik kodlama, stokastik hesaplama temelleri, biomimetik sinir ağları, bilişsel fonksiyonlar ve nöromorfik system uygulamalarını kapsamaktadır.
Dersin Çıktıları
Bu dersi başarıyla tamamlayan yüksek lisans/doktora öğrencileri aşağıdaki konularda bilgi, beceri ve yetkinlik kazanırlar;
1- Doğadaki nörmorfik bilişsel sistem yapıları ile beyin esinli yapay zeki sistemler arasında analojiye dayalı olarak Von Neumann mimarisindeki değişim gereksinimlerinin anlaşılması.
2- Bilişsel sistemlerde muhakeme, bağlam farkındalığı, durum farkındalığı ve zeka kavramlarının anlaşılması ve test yöntemleri
3- Nöromorfik sistemlerde yapısal gelişim ve işlenen işaret arasındaki stokastik kodlama ilişkilerinin modellenmesi
4- Nöromorfik sistemlerin inceleme ve canlandırılmasında kullanılan matematiksel işlem temellerinin öğrenilmesi
5- Nöron modelleri ve İğnecikli sinir ağlarının (SNN) anlaşılması
6- İğnecikli sinir ağlarının (SNN) hesaplama ve makine öğrenmesinde kullanım uygulaması
7- Minimum Enerji-Maksimum Entropi ilkesinin nöromorfik hesaplamada kullanımı
8- Nöromorfik hesaplamada güncel gerçekleme yöntemlerinin (memristörler, BNNs vb) öğrenilmesi
Önkoşullar
Gereken Olanaklar
Diğer
Ders Kitabı
N.K. Kasabov, “Time-Space, Spiking Neural Networks and Brain-Inspired Artificial Intelligence”, Springer, 2019
Diğer Referanslar
Q. Yu, H. Tang, J. Hu, K.T. Chen, “Neuromorphic Cognitive Systems: A Learning and Memory Centered Approach”, Springer, 2017
M.Shahsavari, “Unconventional Computation From Digital to Brain-like Neuromorphic: Memristive Computing”, Springer, 2017
M.Suri, “Advances in Neuromorphic Hardware Exploiting Emerging Nanoscale Devices”, Springer, 2017
W.J.Gross, V.C.Gaduet “Stochastic Computing: Techniques and Applications”, Springer, 2019
Dersler
.
Yardım
.
Hakkında
Ninova, İTÜ Bilgi İşlem Daire Başkanlığı ürünüdür. © 2024