Derin Öğrenme (Bireysel-Kurumsal)

✅ ChatGPT, Google Bard gibi en güncel modellerin nasıl çalıştığını merak edip bu konuda mı çalışmak istiyorsun?

✅ Derin öğrenme konusunda bir temelin var ama bu konuda daha da gelişmek mi istiyorsun?

✅ Kullandığın araçlar arasına derin öğrenmeyi ekleyip kariyerinde bir adım daha öne mi geçmek istiyorsun?

Eğer bunlardan birine bile evet cevabı verdiysen doğru yerdesiniz!

Kurs Tanıtımı

Derin öğrenme, yapay zeka dünyasında devrim yaratmış bir teknolojidir. Bu teknoloji, ses ve görüntü tanıma, segmentasyon, chatbot ve daha birçok alanda harikalar yaratmıştır.

Bu kursla, derin öğrenmenin temellerinden ileri seviye tekniklerine kadar kapsamlı bir eğitim alacaksınız.

Uzman eğitmenlerimizin önderliğinde, en yeni derin öğrenme algoritmalarını öğrenmek ve bu alanda kariyer yapmak için ihtiyacınız olan tüm bilgileri edineceksiniz.

Yeteneklerinizin arasına derin öğrenmeyi ekleyerek geleceği şekillendirin!🚀📊

📘 Neler Öğreneceksiniz:

🧠 Derin Öğrenme Temelleri: Aktivasyon fonksiyonları, geri yayılım ve optimizasyon teknikleri hakkında bilgi edineceksiniz.

🐍PyTorch: Derin öğrenme için endüstri standartlarında, açık kaynak en popüler kütüphane PyTorch'u öğreneceksiniz.

✍️Uygulamalı Projeler: Gerçek dünyadan veri setleriyle derin öğrenme projeleri geliştireceksiniz.

Ön koşullar:

Bu kursa katılacak öğrencilerin Python dilinde kodlamaya aşina olmaları beklenir (isteğe göre kursa python temelleri modülü de eklenebilir.)

Süre:

9 gün (ihtiyaca göre eklenen dersler olursa süre uzayabilir).

Ders İçeriği:

(İsteğe bağlı olarak modüller çıkarılıp yeni konular eklenebilir veya çıkartılıp gün sayısı azaltılabilir)

1) PyTorch'a Giriş

• PyTorch Tensor

• Broadcasting

• Reshaping

• Concatenation-Stacking

• Automatic Differentiation

• GPU Acceleration ve CUDA

  
  (Daha ileri PyTorch teknikleri kursun diğer kısımalrında yapay sinir ağları oluştururken konu içinde anlatılacaktır)

2) Derin Öğrenme Temelleri

• Proje hedefini koymak

  • Projeye göre veri toplamak

  • Projeye göre metrik bulmak

• Baz Model

• Gradient Descent: Neden maximum artış yönünü verir?

• Yapay sinir ağlarının temel mantığı - fonksiyonlar cinsinden düşünmek

• Aktivasyon Fonksiyonları: Sigmoid, ReLU ve diğerleri

• Non-linear yapılar

• Neden veriyi normalize etmek önemlidir?

• Regularization

  • Dropout

  • L1 regularization

  • L2 regularization

• Loss fonksiyonu tasarımı

• Loss fonksiyonu ve metrik arasındaki fark

• Batching

  • Batch boyutunun sonuca etkisi ve optimal boyutun bulunması

• Uygulama:

  • Binary Classification

  • Multi-class Classification from scratch

• Residual Block ve skip-connection

• Batch Normalization

  
  

3) Convolutional Neural Network (CNN)

• CNN yapısının çalışma mantığı

• Filtre mantığı

• Feature Extractors (özellik çıkarma) olarak convolution

• Pooling

• Padding

• Transfer learning

  
  

4) Derin Öğrenme ile Obje Tanıma ve Segmentasyon

Object Detection

• Object Detection nedir?

  • Sınıflandırma ve segmentasyondan farkı

• Klasik yöntemler ile derin öğrenmenin farkı

• Anchor Boxes

  • Önemleri nelerdir

• IOU (Intersection Over Union)

• Single Shot MultiBox Detector (SSD)

• YOLO (You Only Look Once)

• Region-based CNN (R-CNN)

  • Fast R-CNN, Faster R-CNN

• Non-Maximum Suppression

• Data Augmentation

• Uygulama

  
  

Segmentasyon

• U-Net

• Mask R-CNN

• Segment Anything Modelling (SAM)

• DINOv2

  
  

5) Doğal Dil İşleme(Natural Language Processing-NLP)

• Yazı işleme teknikleri

  • Tokenization

  • Lemmatization

  • Embeddings

• RNNs, LSTMs, and GRUs

  • Ardışık(sequential) veriyle çalışma yöntemleri

• Attention mekanizması

• Transformer yapısı

• Sequence-to-sequence

• Model değerlendirmesi

  • BLEU

  • ROUGE

  • Perplexity

• Uygulama

  
  

6) Derin Öğrenme İle Öneri Sistemleri

• Dive into Entity Embedding nedir?

• Collaborative Filtering and Matrix Factorization

  • Yapay sinir ağlarına uygulanması

• Görselleştirme ve yorumlama

7) Yapay Zeka Etiği