Yazdır

DERS BİLGİLERİ
Ders KodDers AdT+U SaatYarıyılAKTS
ELK 521OPTİMİZASYON TEKNİKLERİ3 + 01. Yarıyıl7,5

DERS TANIMI
Ders Düzeyi Doktora
Ders Türü Zorunlu
Dersin Amacı Optimizasyon teknikleri ile ilgili temelleri öğretmek ve gerçek dünya problemlerinin çözümünde bu yöntemleri kullanma becerisini öğrenciye kazandırmaktır.
Ders İçeriği Bir-boyutlu Lineer-olmayan Nümerik Optimizasyon / Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon / Matematiksel Temeller / Optimallik için Analitik Koşullar / Birinci-dereceden Yöntemler / İkinci-dereceden Yöntemler / İkinci-dereceden Yaklaşık Yöntemler / Uygulamalar
Ders Ön Koşul Dersin ön koşulu yok.
Ders Yan Koşul Dersin yan koşulu yok.
Öğretim Sistemi Yüz Yüze

DERS ÖĞRENME KAZANIMLARI
1Optimizasyon ile ilgili temel kavramları bilir
2Türev tabanlı kısıtlamasız sayısal optimizasyon yöntemlerini bilir
3Optimizasyon yöntemleriyle gerçek dünya problemlerini çözebilir
4Yapay Sinir Ağı ile modelleme ve tahmin yapabilir

DERS ÖĞRENME KAZANIMININ PROGRAM YETERLİLİKLERİNE KATKISI
NoPY 01PY 02PY 03PY 04PY 05PY 06PY 07PY 08PY 09PY 10PY 11
ÖK 00125444      
ÖK 00225444      
ÖK 00324555      
ÖK 00424555      
Ara Toplam818181818      
Katkı25555000000

AKTS / İŞ YÜKÜ TABLOSU
EtkinlikSayısıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Süresi(14 hafta/teorik+uygulama)14342
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme)14570
Arasınavlar(hazırlık süresi dahil)14040
Yarıyıl Sonu Sınavı(hazırlık süresi dahil)14343
Toplam İş Yükü

Dersin AKTS Kredisi






195

7,5
DERS ŞUBELERİ
 Dönem seçiniz :   


 Ders DönemiŞube NoDersi Veren Öğretim Elemanı
Detay 2023-2024 Bahar1MEHMET DOĞAN ELBİ
Detay 2019-2020 Güz1SERDAR İPLİKÇİ
Detay 2018-2019 Bahar1SERDAR İPLİKÇİ
Detay 2018-2019 Güz1SERDAR İPLİKÇİ
Detay 2017-2018 Güz1SERDAR İPLİKÇİ


Yazdır

Ders Şube Detayları
Dersin Kodu Dersin Ad Saat (T+P) Şube No Öğretim Dili Şube Dönemi
ELK 521 OPTİMİZASYON TEKNİKLERİ 3 + 0 1 Türkçe 2023-2024 Bahar
Öğretim Elemanı  E-Posta  İç Hat  Ders Yeri Devam Zorunluluğu
Dr. Öğr. Üyesi MEHMET DOĞAN ELBİ melbi@pau.edu.tr MUH A0442 YDYO A0007 Dersin Devam Yüzdesi : %
Amaç Optimizasyon teknikleri ile ilgili temelleri öğretmek ve gerçek dünya problemlerinin çözümünde bu yöntemleri kullanma becerisini öğrenciye kazandırmaktır.
İçerik Bir-boyutlu Lineer-olmayan Nümerik Optimizasyon / Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon / Matematiksel Temeller / Optimallik için Analitik Koşullar / Birinci-dereceden Yöntemler / İkinci-dereceden Yöntemler / İkinci-dereceden Yaklaşık Yöntemler / Uygulamalar
Haftalık Konu Başlıkları
HaftaKonular
1 Bir-boyutlu Lineer-olmayan Nümerik Optimizasyon: Türev Bilgisi Kullanan Yöntemler: Newton-Raphson Yöntemi: İkiye Bölme Yöntemi
2 Bir-boyutlu Lineer-olmayan Nümerik Optimizasyon: Türev Bilgisi Kullanmayan Yöntemler: Altın Bölme Yöntemi. Bir-boyutlu Nümerik Optimizasyonun Önemi
3 Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon: Problemin Tanımı, Genel Güncelleme Kuralı, Matematiksel Temeller
4 Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon: Optimallik için Analitik Koşullar
5 Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon: Birinci-dereceden Yöntemler: Dik İniş Yöntemi (Steepest-Descent), Conjugate-Gradient (Fletcher-Reeves) Yöntemi
6 Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon: İkinci-dereceden Yöntemler: Newton Yöntemi
7 Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon: İkinci-dereceden Yöntemler: Değiştirilmiş Newton Yöntemi, Cholesky Faktörizasyonu
8 Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon: Newton-benzeri (Quasi-Newton) Yöntemler: Davidon-Fletcher-Powell Yöntemi, Broydon-Fletcher-Goldfarb-Shanno Yöntemi
9 ARA SINAV
10 Çok-boyutlu Lineer-olmayan Nümerik Optimizasyon: İkinci-dereceden Yaklaşık Yöntemler: Gauss-Newton (GN) Yöntemi, Levenberg-Marquardt Yöntemi
11 Uygulamalar: Regresyon: Tek-Girişli Tek-Çıkışlı (SISO) Regresyon Problemi: Polinom Modeli, RBF Modeli, Üstel Model
12 Uygulamalar: Regresyon: Tek-Girişli Tek-Çıkışlı (SISO) Regresyon Problemi: SISO-Yapay Sinir Ağı (YSA) Modeli
13 Uygulamalar: Regresyon:Çok-Girişli tek-Çıkışlı MISO Regresyon Problemi: MISO- Yapay Sinir Ağı (YSA) Modeli
14 Uygulamalar: Regresyon:Çok-Girişli tek-Çıkışlı MISO Regresyon Problemi: MISO- Yapay Sinir Ağı (YSA) Modeli ile modelleme ve tahmin
Materyaller
Materyal belirtilmemiştir.
Kaynaklar
KaynaklarKaynak Dili
1- Nonlinear Programming, NASH and SOFER, McGraw-Hill, 1996.English
2- Nonlinear Programming, BERTSEKAS, Athena Scientific, 1999. English
Ders Değerlendirme Sistemi
Değerlendirme YöntemiKatkı Yüzdesi (%)Değerlendirme Yöntemi Ad
Dönem Sonu Sınavı50Dönem Sonu Sınavı
Ara Sınav50Ara Sınav
T+U : Teorik + Pratik
PY: Program Yeterlilikleri
ÖK: Ders Öğrenme Kazanımları