Machine Learning & Deep Learning Engineer
Ön Koşul: Temel Python Bilgisi Gerekmektedir.
Yapay zeka çok-disiplinli(multidisciplinary) ve uygulamalı bir uzmanlık alanıdır. Machine Learning Engineer programının odağı ağırlıklı olarak öğrenebilen algoritmalar diye bilinen Deep Neural Network (ANN) ve türevleri olacaktır. Machine Learning Engineer programı teorik temelleri de kapsamakla birlikte, uygulama yoğunluklu bir eğitimdir. Bu eğitim sadece bir yapay zeka modeli(algoritma) geliştirmeyi değil, geliştirilen bu modelin girişim ya da ticari amaçlı olarak production ortamına aktarılması süreçlerinin tamamını kapsamaktadır.
Geliştirme Araçları & Ortamı
- Python (v3.x), CPython, CUDA, Flask, C++ (C++ ile TensorFlow & PyTorch)
-
Visual Studio Code, Jupyter Notebook, Google Colab,
AI Araçları
-
PyTorch
-
* PyTorch (v1.11+), PyTorch Lightning
- * TorchScript, TorchServe
- * Kornia (PyTorch-Based)
-
- TensorFlow
- * TensorFlow (v2.9.x), Keras
- * TensorFlow Serving, TensorFlow.js, TensorFlow Lite
-
OpenCV (v4.5.x)
Cloud AI : Azure AI
Diğer Araçlar : NumPy, scikit-learn, Pandas, ONNX, Matplotlib, Seaborn ve dahası...
Kimler içindir?
Bu eğitim, hem endüstride hem de akademide önemli uygulamaları olan Python kullanarak makine öğrenimi veya derin öğrenmeyi öğrenmek isteyen herkese yöneliktir .
Sertifika:
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
Eğitim İçeriği
- Yapay Zeka Nedir?
- Yapay Zeka Temelleri
- Yapay Zeka ve Neural Networks (Yapay Sinir Ağları)
- Yapay Zeka : Altındaki Temel Bilim Nedir?
- Yapay Zeka ve Biyomimetik
- Neuron & Neural Network
- Yapay Zeka Tehlikeli mi?
- Yapay Zeka Aşamaları : Narrow AI, General AI ve Super AI
- Yapay Zeka’nın Bilimsel Temelleri
- Yapay Zeka Kışı
- Yapay Zeka’nın Kapsamı
- Yapay Sinir Ağları
- Yapay Genel Zeka (AGI)
- Yapay Zeka : Tehditler & Fırsatlar
- Yapay Zeka Devlerinin IQ Analizi
- Yapay Zekanın Kapsamı
- Yapay Zeka Alt Kavramları
- Oyun Sektöründe Yapay Zeka
- Siber Güvenlik Sektöründe Yapay Zeka
- Yapay Zeka Görev Tanımları
- Kolektif Zeka : SWARM AI & SWARM Intelligence
- Yapay Zeka Teknik ve Teknolojilerine Genel Bakış
- Bir Yapay Zeka Projesini Geliştirmek
- Yapay Zeka İçin Programlama Dilleri Analiz ve Öneriler
- Yapay Zeka Uygulama Geliştirme Odaklı Open Source Kütüphaneler
- Yapay Zekaya Donanımsal Bakış
- Labeling ve Data Augmentation
- Dataset Nedir ve Güncel Dataset Kaynakları
- Google Colab Nedir?
- Yapay Zeka Uygulama Geliştirme Araçları
- NumPy, TensorFlow ve PyTorch’a Genel Bakış
- NumPy’ın Önemi : Computational Intelligence, TensorFlow ve PyTorch ile İlişkisi
- NumPy
- NumPy’a Genel Bakış
- NumPy Temelleri
- Array ve Vektör
- Matrix Operasyonları
- Indexing & Slicing
- Manipulation
- Array Programming
- Standard Deviation & Variance
- Reshape & Transpose
- Dot Product Vs. Element Wise
- Karşılaştırma Operatörleri
- Sorting Array
- Resimleri NumPy Array’e Dönüştürmek
- İleri NumPy Programlama Teknikleri
- Pandas
- Pandas’a Genel Bakış
- Series, Data Frame ve CSV
- Pandas ile Veriyi İncelemek
- Pandas ile Veriyi Seçmek ve Görüntülemek
- Veri Manipülasyonu
- İleri Pandas Programlama Teknikleri
- Matplotlib
- Matplotlib’e Genel Bakış
- Matplotlib ile Veri Görselleştirme Projeleri Geliştirmek
- TensorFlow Vs. PyTorch
- Tensor Nedir?
- Array Varken Neden Tensor?
- TensorFlow (2.x)
- TensorFlow’a Genel Bakış
- TensorFlow Mimarisi : TensorFlow Nasıl Çalışır?
- Tensor Operasyonları
- Matrix Multiplication
- Tensor Aggregation
- TensorFlow ile Programlama
- PyTorch
- PyTorch’a Genel Bakış
- PyTorch Mimarisi : PyTorch Nasıl Çalışır?
- NumPy Bridge, Tensor Concatenation ve Dimension
- Automatic Differentiation
- PyTorch ile Programlama
- Machine Learning’e Genel Bakış
- Machine Learning Kullanım Senaryoları
- Machine Learning Algoritmaları
- Machine Learning Uygulama Geliştirme Temelleri
- Veri Önişleme Nedir ve Neden Kullanılır?
- Veri Önişleme Yöntemleri
- Proje : Veri Önişleme Uygulaması Geliştirmek
- Regression
- Regression Algoritması
- Regression Algoritması Kullanım Alanları
- Proje : Regression Uygulaması Geliştirmek
- Classification
- Classification Algoritması
- Classification Algoritması Kullanım Alanları
- Proje : Classification Uygulaması Geliştirmek
- Clustering
- Clustering Algoritması
- Clustering Algoritması Kullanım Alanları
- Proje : Clustering Uygulaması Geliştirmek
- Computer Vision’a Genel Bakış
- Computer Vision Kullanım Senaryoları
- Computer Vision Temelleri
- Images & Pixels
- Computer Vision Araçları
- OpenCV
- Diğerleri…
- OpenCV ile Computer Vision Temelleri
- Proje : Edge Detection
- Proje : Line Detection
- Proje : Circle Detection
- Proje : Background Subtraction
- Proje : Photo Denoising
- Proje : Face Recognition (Yüz Tanıma)
- Face Recognition’a Genel Bakış
- Face Datasets
- Resimlerin Önişlenmesi (Preprocessing)
- Yüz Noktalarını (Face Points) Tespit Etmek
- Yüzler Arası Mesafeleri Hesaplamak
- Proje : Face Recognition Uygulaması Geliştirmek
- Proje : Object Tracking (Nesne Takibi)
- Object Tracking’e Genel Bakış
- Object Tracking Vs. Object Detection
- Optical Flow Object Tracking
- OpenCV DNN (Deep Neural Network) Module
- OpenCV DNN Module Genel Bakış
- Challange : OpenCV DNN Modülü ile Deep Neural Network Uygulaması
- Deep Learning’e Genel Bakış
- AI vs. ML vs. DL
- Deep Learning Kullanım Senaryoları
- Neural Networks (Yapay Sinir Ağları)
- Perceptron
- Overfitting & Underfitting
- Artificial Neural Network (ANNs)
- Neural Network’e Genel Bakış
- Artificial Neural Network Architecture
- Gradient Descent ve Learning Rate
- Weight & Bias
- Activation Function
- Backpropagation
- Hidden ve Output Layer
- Error Calculation : Loss Function
- Neural Network Oluşturmak ve Eğitmek
- Neural Network’ün Ölçülmesi (Evaluation)
- Sıfırdan Artificial Neural Network (ANN) Programlamak (NumPy ile…)
- Sıfırdan Bir ANN Geliştirmeye Genel Bakış
- Proje : NumPy ile ANN Geliştirmek, Eğitmek ve Test Etmek
- Sıfırdan Artificial Neural Network (ANN) Programlamak (Vanilla Python ile…)
- Sıfırdan Bir ANN Geliştirmeye Genel Bakış
- Proje: Vanilla Python ile ANN Geliştirmek, Eğitmek ve Test Etmek
- Proje : ANN ile Görüntü Verisi Üzerinde Çalışmak
- Proje : Farklı Bir Çok ANN Projesi Geliştirmek
- Convolutional Neural Networks (CNNs)
- Convolutional Neural Network’e Genel Bakış
- ANN vs. CNN
- CNN Uygulamaları ve Uygulama Alanları
- Convolutional Neural Network Architecture
- Stride, Padding
- Convolutional Operation & Filters
- Pooling
- Flattening
- Dense Neural Network
- Bir Test ve Training Dataset’i Oluşturmak
- Proje : Keras ile Bir CNN Model Oluşturmak ve Eğitmek
- Bir CNN Ağını Ölçümlemek ve Test Etmek
- Proje : Artificial Neural Network ile Görüntü Odaklı Uygulama Geliştirmek
- Proje : Farklı CNN Projeleri ile Bölüm Pekiştirme Uygulamaları
- Image Segmentation
- Image Segmentation’a Genel Bakış
- Proje : Image Segmentation Uygulaması Geliştirmek
- Proje : Convolutional Neural Network ile Uygulama Geliştirmek
- İleri Seviye Proje : NumPy ile Sıfırdan Bir Convolutional Neural Network (CNN) Geliştirmek
- İleri Seviye Proje : Sadece Python(Vanilla Python) ile Sıfırdan Bir Convolutional Neural Network (CNN) Geliştirmek
- Transfer Learning ve Fine Tuning
- Transfer Learning
- Transfer Learning’e Genel Bakış
- Library ve Dataset’ler
- Data Preprocessing
- Train ve Test Dataset’i Oluşturmak
- Neural Network’ü Oluşturmak ve Eğitmek
- Neural Network’ü Ölçümlemek
- Fine Tuning
- Fine Tuning’e Genel Bakış
- Implementation ve Ölçümlemek (Evaluation)
- Saving, Loading ve Resim Verisi Üzerinde Sınıflandırmak (Classifying)
- Detectron2 ile Yapay Zeka Projeleri Geliştirmek
- Detectron2’ye Genel Bakış
- Proje : Detectron2 ile Instance Segmentation
- Proje : Detectron2 ile Keypoint Detection
- Proje : Detectron2 ile Object Detection
- Proje : Detectron2 ile Panoptic Segmentation
- Proje : Detectron2 ile Semantic Segmentation
- Transfer Learning
- Doğal Dil İşlemeye Genel Bakış
- Doğal Dil İşleme Uygulama Alanları
- Doğal Dil İşleme Algoritmaları
- Natural Language Toolkit (NLTK)
- Natural Language Toolkit’e Genel Bakış
- Corpus & Corpora
- Tokenization
- Stop Words
- Stemming
- PoST
- Named Entity Recognition
- Lemmatization
- ve dahası…
- RNNs, LSTM, GRU ve Transformer
- RNN vs. LSTM vs. GRU vs. Transformer
- Recurrent Neural Networks (RNNs)
- RNN’e Genel Bakış
- Proje : RNN Uygulaması Geliştirmek
- Long Short-Term Memory (LSTM)
- LSTM’e Genel Bakış
- Proje : LSTM Uygulaması Geliştirmek
- Gated Recurrent Unit (GRU)
- GRU’e Genel Bakış
- Proje : GRU Uygulaması Geliştirmek
- Transformer
- Transformer’a Genel Bakış
- Proje : Transformer Uygulaması Geliştirmek
- Generative AI’a Genel Bakış
- Generative AI Uygulamaları ve Uygulama Alanları
- Generative AI’ın Temel Algoritmaları
- Generative Adversarial Networks (GANs)
- Autoencoder (Universal Neural Style-Transfer)
- Variational Autoencoders (VAEs)
- Recurrent Neural Networks (RNNs)
- Araçlar, Library’ler ve Verisetleri
- Generative Adversarial Networks (GANs)
- GANs’a Genel Bakış
- Generative Adversarial Network Architecture
- Library ve Dataset’leri
- Data Preprocessing
- Generator ve Discriminator
- Generator Oluşturmak
- Discriminator Oluşturmak
- Oluşturulan GAN’ın Testi
- Deep Convolutional Generative Adversarial Networks (DCGANs)
- Deep Convolutional GANs Nedir?
- Data Preprocessing
- Proje : DCGANs Uygulaması Geliştirmek
- Diğer GAN Algoritmalarına Genel Bakış
- CycleGAN, SRGAN vb…
- Stable Diffusion
- Stable Diffusion Model Nedir?
- GANs vs. Stable Diffusion Models
- Stable Diffusion Model Kullanım Alanları
- Proje : Stable Diffusion Model Uygulaması Geliştirmek
- AutoML’e Genel Bakış
- AutoML Araçlarına Genel Bakış
- Auto Sklearn’e Genel Bakış
- Auto Keras’a Genel Bakış
- Diğer Araçlar : PyCaret, H20, EvalML, TPOT
- Auto Sklearn ile AutoML Uygulaması Geliştirmek
- Auto Sklearn ile AutoML Proje Hazırlığı
- Proje : Auto Sklearn Uygulaması Geliştirmek
- Auto Keras ile AutoML Uygulaması Geliştirmek
- Proje : AutoKeras ile Artificial Neural Network Projesi Geliştirmek
- Proje : AutoKeras ile Convolutional Neural Network Projesi Geliştirmek
- Cloud Computing’e Genel Bakış
- Cloud Computing Çözümleri
- Microsoft Azure
- Google Cloud
- Amazon AWS
- Diğerleri…
- Cloud AI’a Genel Bakış
- Cloud AI Çözüm Üreticileri
- Azure AI
- Google AI
- AWS Machine Learning
- IBM Watson
- Diğer Cloud AI Çözümleri…
- Azure AI
- Azure AI’a Genel Bakış
- Azure AI’ı Derinlemesine İncelemek
- Proje : Azure AI ile Sıfırdan Yapay Zeka Projesi Geliştirmek
- MLOps’a Genel Bakış
- Software Engineering
- Compute Hardware (Donanımsal Hesaplama)
- GPU Temelleri
- GPU Cloud
- On-Prem
- Kaynak Yönetimi
- ML System Lifecycle
- Distributed AI
- Distributed Systems
- Distributed Sistemlere Genel Bakış
- Distirbuted Sistemler ve Paralel Programlama
- Distributed AI Nedir?
- Distributed AI Kullanım Senaryoları
- Distributed AI Araçları
- Distributed AI Training
- Distributed AI Training’e Genel Bakış
- Data Parallelism (Data-Parallelism Training)
- Model Parallelisim (Model-Parallel Training)
- Experiment Management
- Hyperparameter Tuning
- Veri Yönetimi
- MLaaS : Machine Learning as a Services
- MLaaS Nedir?
- MLaaS Konsept ve Mimarisi
- Model Packaging
- Model Deployment
- Model Deployment Türleri
- Web : AI Modelleri İçin Web Tabanlı Mimari ve Teknolojiler
- RESTful API ve Microservice Mimarisi
- RESTful API Mimari ve Tasarımına Giriş
- Neden RESTful API Kullanırız?
- RESTful API Terminolojisine Genel Bakış
- RESTful API : Bir Request’in Anotomisi
- RESTful API : Endpoint Kavramı
- RESTful API : HTTP Metot
- RESTful API : HTTP Header
- Dependency Management
- Model Sharing : ONNX
- Model Serving Araç ve Library’leri
- TensorFlow Serving
- TensorFlow Serving Mimarisi
- RESTful ve TensorFlow Serving ile Model Prediction
- TensorFlow Extended (TFX) Pipeline ile Model Deployment
- PyTorch Serve
- PyTorch Serve Mimarisi
- Proje : PyTorch Serve ile Deployment
- Diğer Araçlar
- TensorFlow Serving
- Deployment İçin Model Optimizasyonu
- Quantization
- Pruning
- Distillation
- Mobile AI : Mobil Uygulama Tabanlı Yapay Zeka
- Mobile AI’a Genel Bakış
- Mobile AI Uygulama Geliştirme Mimarisi ve Teknolojileri
- Mobile AI Modelleri
- Edge AI : IoT Tabanlı Yapay Zeka
- Edge AI’a Genel Bakış
- Edge AI Uygulama Geliştirme Mimari ve Teknolojileri
- RESTful API ve Microservice Mimarisi
- Distributed Systems
- Machine Learning Testing
- Machine Learning Testing’e Genel Bakış
- ML Testing Neden Gerekli?
- ML Testing Teorisi
- Software Testing
- Testing Türleri
- Unit Testing
- Integration Testing
- End-to-End Testing
- Differential Testing
- Unit Testing (ML Model İçin)
- Integration Testing (ML API)
- Differential Testing
- Testing Machine Learning Systems
- ML Models Vs. ML Systems
- Infrastructure Test
- Training Test
- Functionality Test
- Evaluation Test
- Shadow Test
- A/B Test
- Labeling Test
- Expectation Test
- Machine Learning Monitoring
- AI Odaklı Monitoring’e Genel Bakış
- Ne ve Neden Monitoring Yapılmalı?
- Data Drift
- AI Monitoring Odaklı Araçlar
- System Monitoring Araçları
- Data Quality Araçları
- Machine Learning Monitoring Araçları
- Testing Türleri
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Genel katılıma açık programların açılması için yeterli kontenjanın sağlanması gerekmektedir.
Kontenjan sağlanamadığı durumlarda BT Akademi programı açmama hakkını saklı tutar.
BT Akademi, duyrulmuş programların tarihlerini değiştirme hakkını saklı tutar. Programa kayıt olmuş kişiler bu değişikliklerden haberdar edilir.
Paylaş:
Diğer Eğitimler
Microsoft Office Excel Temel & Orta & İleri Eğitimi
Offensive Security Certified Professional (OSCP) Eğitimi
Linux System Administration Advanced
