defter*
defter / katalog / CS 559

CS 559 Deep Learning

Deep learning is fundamentally about learning hierarchical representations directly from data by training large parameterized models end-to-end with gradient descent, and this graduate course treats it as such, starting from loss surfaces and backprop, then building up to the architectures (CNNs, RNNs/attention, VAEs/GANs, deep RL) that dominate modern vision and language work. Expect a written midterm, a homework, a literature survey with a presentation, and a sizable course project where you read recent papers and implement something nontrivial in a framework like PyTorch. It assumes you are already comfortable with linear algebra, probability, and classical ML at the level of CS 464/maybe Murphy or Bishop, and it is the standard launching pad at Bilkent for thesis work in computer vision, NLP, or generative modeling.

Kredi 3 ECTS 5 Fakülte Mühendislik Fakültesi Bölüm Bilgisayar Mühendisliği Koordinatör Hamdi Dibeklioğlu

→ STARS müfredatı (resmi syllabus)

CS 559 zor mu?

Son 9 dönemde dersin ortalaması 3,49 (305 öğrencinin notu, 4,00 üzerinden), yani sınıf ortalaması B+ civarında. Zorluk hocaya ve şubeye göre değişir; ölçülebilir olan bu sayı. Diğer derslerle karşılaştır →

CS 559 dersinde kaç midterm var, ağırlıkları ne?

İzlencede 1 midterm var, ağırlığı %30. Kalan %70 dersin öteki kalemlerinde. Tam dağılım aşağıda.

CS 559 dersinin ön koşulu var mı?

Bilkent kataloğunda bu ders için ön koşul yazılı değil.

CS 559 dersinde hangi kitap okunuyor?

İzlencede önerilen kitap: Deep Learning, I. Goodfellow, Y. Bengio, A. Courville, 2016, MIT Press. İzlence toplam 3 kaynak sayıyor.

CS 559 kaç kredi?

3 Bilkent kredisi, 5 AKTS.

Haftalık müfredat 14 hafta

Hafta 114–20 Eyl
Machine learning, deep learning ve linear classifiers
Introduction, course structure, overview of machine learning and deep learning. Hallmarks of deep learning. Linear classifiers.
machine learningdeep learninglinear classifiers
Hafta 221–27 Eyl
Optimization: stochastic gradient descent ve back-propagation
Optimization. Stochastic gradient descent and contemporary variants, back-propagation.
stochastic gradient descentback-propagationoptimization
Hafta 328 Eyl – 4 Eki
Feedforward networks ve training teknikleri
Feedforward networks and training. Activation functions, initialization, regularization, batch normalization, model selection, ensembles.
feedforward networksactivation functionsregularizationbatch normalization
Hafta 45–11 Eki
Feedforward networks ve training teknikleri
Feedforward networks and training; Activation functions, initialization, regularization, batch normalization, model selection, ensembles
feedforward networksactivation functionsmodel selectionensembles
Hafta 512–18 Eki
CNN temelleri, pooling ve visualization
Convolutional neural networks. Fundamentals, architectures, pooling, visualization.
convolutional neural networkarchitecturepoolingvisualization
Hafta 619–25 Eki
CNN temelleri, pooling ve visualization
Convolutional neural networks. Fundamentals, architectures, pooling, visualization.
convolutional neural networkarchitecturepoolingvisualization
Hafta 726 Eki – 1 Kas
Deep learning ile spatial localization
Deep learning for spatial localization. Transposed convolution, efficient pooling, object detection, semantic segmentation.
transposed convolutionpoolingobject detectionsemantic segmentation
Hafta 82–8 Kas
RNN ve LSTM'in dil ve görü uygulamaları
Recurrent neural networks. Long-short term memory (LSTM). Language models, machine translation, image captioning, video processing, visual question answering, video processing, learning from descriptions, attention.
LSTMlanguage modelmachine translationattention
Hafta 99–15 Kas
RNN ve LSTM'in dil ve görü uygulamaları
Recurrent neural networks. Long-short term memory (LSTM). Language models, machine translation, image captioning, video processing, visual question answering, video processing, learning from descriptions, attention.
LSTMlanguage modelmachine translationattention
Hafta 1016–22 Kas
RNN ve LSTM'in dil ve görü uygulamaları
Recurrent neural networks. Long-short term memory (LSTM). Language models, machine translation, image captioning, video processing, visual question answering, video processing, learning from descriptions, attention.
LSTMlanguage modelmachine translationattention
Hafta 1123–29 Kas
Deep generative models ve representation learning
Deep generative models. Auto-encoders, variational auto-encoders, generative adversarial networks, auto-regressive models, generative image models, unsupervised and self-supervised representation learning.
variational auto-encodersgenerative adversarial networksauto-regressive modelsself-supervised representation learning
Hafta 1230 Kas – 6 Ara
Deep generative models ve representation learning
Deep generative models. Auto-encoders, variational auto-encoders, generative adversarial networks, auto-regressive models, generative image models, unsupervised and self-supervised representation learning.
variational auto-encodersgenerative adversarial networksauto-regressive modelsself-supervised representation learning
Hafta 137–13 Ara
Deep reinforcement learning yöntemleri
Deep reinforcement learning. Policy gradient methods, Q-Learning.
deep reinforcement learningpolicy gradientQ-Learning
Hafta 1414–20 Ara
Deep reinforcement learning ve proje sunumları
Deep reinforcement learning. Project presentations.
deep reinforcement learningproje sunumu

Değerlendirme 100% · 4 adım

30%
20%
15%
35%
Midterm: Essay/written Midterm 30%
Homework Homework 20%
Literature Survey & Presentation Literature Survey & Presentation 15%
Project Project 35%
en büyük tek kalem %35 · sınav ağırlığı %30 · 9 dönem ortalaması 3.49 (305 öğrenci) nasıl hesaplanıyor
Notunu hesapla
KalemAğırlık Notun (100 üzerinden)
Midterm%30
Homework%20
Literature Survey & Presentation%15
Project%35
Bildiğin notları gir; girmediklerin hesaba katılmaz.

Ağırlıklar CS 559 izlencesinden. Hocanın bu dönemki dağılımı farklı olabilir; bağlayıcı olan ders izlencesidir. Harf notu sınırlarını hoca belirliyor, o yüzden hedefi sen giriyorsun. İzlencede FZ şartı var, sayfanın sonundaki kutuda.

Önerilen kaynaklar 3 kitap

📖
Önerilen
Deep Learning, I. Goodfellow, Y. Bengio, A. Courville, 2016, MIT Press
📖
Önerilen
Machine Learning: A Probabilistic Perspective, K. P. Murphy, 2012, MIT Press
📖
Önerilen
Pattern Recognition and Machine Learning, C. M. Bishop, 2006, Springer

Bu dersi alınca · 8 öğrenme çıktısı

Bilkent'in resmî syllabus'ünden. Sağdaki etiket o çıktının hangi değerlendirmeyle ölçüldüğünü söylüyor.

Ders notları · henüz yok

CS 559 için defter ekibi henüz not yazmadı.

İlk dosyayı sen atarsan: not, slayt, geçmiş sınav, çözüm, cheat-sheet, ne varsa. defter ekibi öğrenci paylaşımlarından bu dersin notlarını yazar. Drive linki / PDF / ZIP, hepsi olur.

← katalog

Geçmiş GPA dağılımı 9 dönem · ort. 3.49

DönemDers ort.
2025-2026 Fall 3.59 1 şube · 40 öğr
2024-2025 Fall 3.42 1 şube · 40 öğr
2023-2024 Fall 3.59 1 şube · 41 öğr
2022-2023 Fall 3.16 1 şube · 27 öğr
2021-2022 Fall 3.48 1 şube · 17 öğr
2020-2021 Spring 3.40 1 şube · 39 öğr
2019-2020 Spring 3.55 1 şube · 39 öğr
2018-2019 Spring 3.56 1 şube · 35 öğr
2016-2017 Spring 3.62 1 şube · 27 öğr

Dersin dönem ortalaması, o dönemin bütün şubeleri birlikte. Kaynak STARS'ın ders değerlendirme raporu. Rapor yalnız kampüs ağından ya da Bilkent VPN ile açılıyor: CS 559 raporu · Bilkent VPN bilgisi. Öğrenci anket cevaplarını defter'de tutmuyoruz. Tüm derslerin ortalamaları →

2026-2027 Güz döneminde açılmadı. Ders kaydı geçti, kayıt sisteminde bu dersin şubesi yok. Katalogda duruyor, yani başka bir dönem açılabilir. Son 4 güz döneminin hepsinde açılmış, yani bu dönem de açılması beklenir. Son açıldığı dönemde (2025-2026 güz) 1 şube vardı. Açık dersler → · kayıt tarihleri

⚠️ FZ engelleyen şartlar

There is no final exam for this course, however, any one of the following will directly result in an F grade: (1) not submitting a project or homework (including report), (2) not preparing/presenting a survey on the pre-scheduled date, (3) being absent in the midterm, (4) being absent in a project presentation.

Hocalar 0 bu dönem · 2 geçmiş

Geçmişte ders veren (2 kişi)
Hamdi Dibeklioğlu, Ramazan Gökberk Cinbiş

Aynı koddan diğer dersler · katalogda 78 CS dersi · tüm CS dersleri →

CS 549Learning for RoboticsCS 550Machine LearningCS 554Computer VisionCS 555Introduction to Computer VisionCS 564Computational GeometryCS 573Algorithms ICS 575Computer Graphics I