1. Anasayfa

Ders Notları

100% Complete (success)
Dikkat !!! Lütfen okuyunuz ...

Öğretim Üyesi (Üyeleri): Prof. Dr. Bilal Cemek *

(*) Ders notu girebilmek için, bu alanda kendi isminiz yazıyor olmalı...

  • Bologna verilerinin girilmesi;
    ubys.omu.edu.tr adresinden,
    ÜBYS' de Öğretim Elemanları yetkisi seçilmeli... Öğretim elemanı danışmanlık işlemlerinden yapabilirsiniz...
Yıl: 2025, Dönem: Güz
TYS625, Tarımda Yapay Sinir Ağları Uygulamaları (mufredatId:6636, dersId: 107272, programId: 5088)
Ders Kitabı / Malzemesi / Önerilen Kaynaklar

Mohan, R. J., Raju, B. R. K., Sekhar, V. C., & Prasad, T. V. K. P. (Eds.). (2025). Algorithms in Advanced Artificial Intelligence. CRC Press. Gupta, A., Hinchey, M., & Zalevsky, Z. Artificial Intelligence and Its Applications. Sen, Z. (2009). Fuzzy logic and hydrological modeling. CRC Press. Şen, Z. (2004). Yapay sinir ağları. Su Vakfı. Şen, Z. (2020). Bulanık mantık ilkeleri ve modelleme. Su Vakfı. Baykal, N., Beyan, T. (2004): Bulanık mantık: ilke ve temelleri. – Bıcaklar Kitabevi, Ankara. Harris, J. (2006). Fuzzy logic applications in engineering science. Dordrecht: Springer Netherlands. Ross, T. J. (2005). Fuzzy logic with engineering applications. John Wiley & Sons.

Dersin İçeriği

Bu ders, tarımda yapay sinir ağları (YSA) ve ilgili derin öğrenme tekniklerinin teorik temellerini ve pratik uygulamalarını kapsamaktadır. Ders kapsamında aşağıdaki konular ele alınacaktır: Yapay Sinir Ağlarına Giriş: Biyolojik sinir sistemi ve yapay sinir ağları arasındaki benzerlikler, temel kavramlar YSA Mimarileri: İleri beslemeli ağlar (FFNN), geri yayılımlı ağlar (BPNN), çok katmanlı algılayıcılar (MLP) Aktivasyon Fonksiyonları: Sigmoid, tanh, ReLU, Softmax vb. Eğitim Algoritmaları: Geri yayılım algoritması, stokastik gradyan inişi (SGD), adaptif optimizasyon yöntemleri (Adam, RMSprop vb.) Veri Hazırlama: Tarımsal veri kaynakları (verim, toprak nemi, iklim, uydu verileri, sensör çıktıları), veri temizleme ve normalizasyon teknikleri Hiperparametre Ayarlamaları: Öğrenme oranı, epoch sayısı, batch size, gizli katman ve nöron sayısının belirlenmesi YSA Uygulama Alanları: Bitki verim tahmini Sulama zamanlaması optimizasyonu Hastalık ve zararlı tespiti (görüntü işleme ile) Toprak nemi ve su ihtiyacı modellemesi Tarımsal fiyat tahminleri Derin Öğrenmeye Giriş: CNN (Konvolüsyonel Sinir Ağları) ile tarımsal görüntü sınıflandırma, RNN/LSTM ile zaman serisi modelleme Model Değerlendirme: Performans metrikleri (RMSE, MAE, R², NSE vb.) Vaka Analizleri: Yerli ve uluslararası YSA projeleri, saha uygulama örnekleri Proje Çalışması: Öğrencilerin tarım verisi kullanarak kendi YSA modelini geliştirmesi

Dersin Amacı

Bu dersin amacı, öğrencilerin yapay sinir ağları (YSA) yöntemlerinin temel ilkelerini öğrenerek, bu yöntemleri tarım alanındaki veri analizi, sınıflandırma, tahmin ve karar destek uygulamalarında etkin biçimde kullanabilmelerini sağlamaktır. Öğrencilerin, tarımsal problemlere yönelik YSA tabanlı model kurma, eğitim ve doğrulama süreçlerini kavramaları, farklı tarım verileri ile çalışarak bilgisayar destekli çözümler üretebilmeleri hedeflenmektedir.

Haftalık Ders İçeriği

Hafta Teorik Uygulama Laboratuar Ders Notları
1 Giriş ve Dersin Tanıtımı – Tarımda Yapay Zekâ ve YSA’nın Rolü Dersin amacı, kapsamı, değerlendirme yöntemleri. Tarımda dijital dönüşüm ve yapay zekâ uygulamalarına genel bakış.
2 Yapay Sinir Ağlarına (YSA) GirişBiyolojik sinir sistemi ve yapay sinir ağı benzerlikleri, temel kavramlar, nöron yapısı.
3 YSA Mimarileri leri beslemeli ağlar (FFNN), çok katmanlı algılayıcılar (MLP), geri yayılımlı ağlar (BPNN).
4 Aktivasyon Fonksiyonları ve Öğrenme Algoritmaları Sigmoid, tanh, ReLU, Softmax vb. fonksiyonlar; öğrenme algoritmaları (SGD, Adam, RMSprop).
5 Tarımsal Verilerin Toplanması ve Ön İşleme Tarımsal veri kaynakları, eksik/veri gürültüsü temizleme, normalizasyon, veri dönüştürme teknikleri.
6 Model Tasarımı ve Hiperparametre Ayarları Gizli katman sayısı, nöron sayısı, öğrenme oranı, epoch sayısı, batch size ayarları.
7 MATLAB ile Basit Bir YSA Modeli Tarımsal veri seti ile temel YSA modeli kurulumu, eğitilmesi ve test edilmesi.
8 Tarımda YSA Uygulamaları I – Verim Tahmini ve Sulama Planlaması Örnek vaka çalışmaları ile verim tahmini ve akıllı sulama sistemleri için YSA uygulamaları. Tarımda YSA Uygulamaları I – Verim Tahmini ve Sulama Planlaması Örnek vaka çalışmaları ile verim tahmini ve akıllı sulama sistemleri için YSA uygulamaları.
9 arımda YSA Uygulamaları II – Hastalık ve Zararlı Tespiti Görüntü işleme destekli YSA uygulamaları, CNN temelleri, yaprak hastalık tespiti örnekleri. arımda YSA Uygulamaları II – Hastalık ve Zararlı Tespiti Görüntü işleme destekli YSA uygulamaları, CNN temelleri, yaprak hastalık tespiti örnekleri.
10 Tarımda YSA Uygulamaları III – Toprak Nem ve Su İhtiyacı Modelleme Sensör verileriyle nem ve su ihtiyacı tahmini için model geliştirme. Tarımda YSA Uygulamaları III – Toprak Nem ve Su İhtiyacı Modelleme Sensör verileriyle nem ve su ihtiyacı tahmini için model geliştirme.
11 Derin Öğrenmeye Giriş ve CNN Kullanımı Tarımsal görüntü sınıflandırmada CNN mimarileri, tarla görüntüsü örnekleri. Derin Öğrenmeye Giriş ve CNN Kullanımı Tarımsal görüntü sınıflandırmada CNN mimarileri, tarla görüntüsü örnekleri.
12 Zaman Serisi Verilerle YSA – RNN ve LSTM İklim verileri ve fenolojik dönem tahminleri için RNN/LSTM kullanımı. Zaman Serisi Verilerle YSA – RNN ve LSTM İklim verileri ve fenolojik dönem tahminleri için RNN/LSTM kullanımı.
13 Öğrenci Proje Sunumları – Ön Rapor Proje ilerleme raporu sunumları, geri bildirim oturumları. Öğrenci Proje Sunumları – Ön Rapor Proje ilerleme raporu sunumları, geri bildirim oturumları.
14 Final Proje Sunumları ve Genel Değerlendirme Tamamlanan projelerin sunumu, değerlendirme ve dersin genel değerlendirmesi.
15 Final Proje Sunumları takip sınav