Machine Learning Engineer Eğitimi
Machine Learning Engineer Eğitimi
Eğitim Hakkında
Yapay zeka çok-disiplinli(multidisciplinary) ve uygulamalı bir uzmanlık alanıdır. AI Engineer programının odağı ağırlıklı olarak öğrenebilen algoritmalar diye bilinen Deep Neural Network (ANN) ve türevleri olacaktır. AI 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
(v3.x), CPython, CUDA, , C++ (C++ ile TensorFlow & PyTorch)
Visual Studio Code, Jupyter Notebook,
AI Araçları
PyTorch
(v1.11+), PyTorch Lightning
TorchScript, TorchServe
Kornia (PyTorch-Based)
TensorFlow
(v2.9.x), Keras
, TensorFlow.js, TensorFlow Lite
OpenCV (v4.5.x)
Cloud AI : Azure AI
Diğer Araçlar : NumPy, scikit-learn, Pandas, ONNX, Matplotlib, Seaborn ve dahası...
Ön Koşul
Temel Python bilgisine sahip olunması gerekmektedir.
Eğitim İçeriği
- Yapay Zeka Nedir?
- Yapay Zeka ve Neural Networks(Yapay Sinir Ağları)
- Yapay Zeka : Altındaki Temel Bilim Nedir?
- Yapay Zeka ve Biyomimetik
- Neuron & Neural Network
- Yapay Zeka Nedir?
- Yapay Zeka tehlikeli mi?
- Yapay Zeka Aşamaları : Narrow AI, General AI ve Super AI
- Yapay Zeka'nın Bilimsel Temelleri
- Yapay Genel Zeka (AGI)
- Yapay Zeka Kışı
- Yapay Sinir Ağları
- Yapay Zeka : Tehditler & Fırsatlar
- Yapay Zeka Devlerinin IQ Analizi
- Yapay Zekanın Kapsamı
- Yapay Zeka Alt Kavramlar
- Oyun Sektöründe Yapay Zeka
- Siber Güvenlik Sektöründe Yapay Zeka
- Yapay Zeka Görev Tanımları
- Kolektif Zeka : SWARM AI & SWARM Intelligence
- Bir Yapay Zeka Projesi Geliştirmek
- Yapay Zeka için Programlama Dilleri Analiz ve Öneriler
- Yapay Zeka Uygulama Geliştirme Odaklı Open Source Kütüphaneler ve Chatbot Araçları
- Yapay Zekaya Donanımsal Bakış
- Labeling ve Data Augmentation
- Dataset Nedir ve Güncel Dataset Kaynakları
- Google Colab Nedir?
- Yapay Zeka Uygulama Geliştirme Araç Önerileri (Geliştirici Odaklı)
- 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
- Pandas
- Pandas'a Genel Bakış
- Series, Data Frame ve CSV
- Pandas ile Veriyi İncelemek
- Pandas ile Veriyi Seçmek ve Görüntülemek
- Veri Manipülasyonu
- TensorFlow Vs. PyTorch
- Tensor Nedir?
- Array Varken Neden Tensor?
- TensorFlow
- 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
- Proje : Regression
- Proje : Classification
- Proje : Clustering
- Computer Vision'a Genel Bakış
- Computer Vision Kullanım Senaryoları
- Computer Vision Temelleri
- Images & Pixels
- Computer Vision Araçları
- OpenCV ve Diğerleri
- OpenCV ile Computer Vision Temelleri
- Grayscaling
- Color Spaces
- Histograms
- Drawing Images
- Translations
- Rotations
- Scaling, re-sizing ve interpolation
- Image Pyramids
- Cropping
- Aritmetik Operasyonlar
- Bitwise Operasyonlar ve Maskeleme
- Convolution ve Blurring
- Sharpening
- Thresholding, Binarization & Adaptive Thresholding
- Dilation, Erosion, Opening & Closing
- Proje : Edge Detection
- Contours
- Proje : Line Detection
- Proje : Circle Detection
- Proje : Background Subtraction
- Proje : Photo Denoising
- Proje : Face Recognition
- Face Recognition'a Genel Bakış
- Face Datasets
- Resimlerin Önişlenmesi(Preprocessing)
- Yüz Noktalarını(Face Points) Tespit Etme
- Yüzler Arası Mesafeleri Hesaplama
- Proje : Face Recognition
- Proje : Object Tracking
- Object Tracking'e Genel Bakış
- Object Tracking Vs. Object Detection
- Meanshift, Camshift ve Optical Flow Object Tracking
- Proje : Object Tracking
- OpenCV DNN (Deep Neural Network) Module
- OpenCV DNN Module Genel Bakış
- Proje (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 (ANN)
- Neural Network'e Genel Bakış
- 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)
- Proje : Sıfırdan Bir Artificial Neural Network(ANN) Kodlamak
- Proje : Farklı Bir Çok ANN Uygulaması
- Convolutional Neural Networks (CNNs)
- Convolutional Neural Network'e Genel Bakış
- CNN Uygulamaları ve Uygulama Alanları
- Stride, Padding
- Convolutional Operation & Filters
- Pooling
- Flattening
- Dense Neural Network
- Bir Test ve Training Dataset'i Oluşturmak
- Bir CNN Oluşturmak ve Eğitmek
- Bir CNN Ağını Ölçümlemek ve Test Etmek
- Proje : Brain Tumor Detection (AI in Healthcare)
- Proje : Farklı Bir Çok ANN Uygulaması
- YOLO ile Object Detection
- YOLO'ya Genel Bakış
- Veriseti ve Hazırlık
- Proje : Resim İçinde Nesne Tanıma(Object Detection)
- Proje : Video İçinde Nesne Tanıma(Object Detection)
- Detectron2 ile Object Detection
- Detectron2'ye Genel Bakış
- Proje : Detectron2 ile Object Detection
- Proje : Farklı CNN Projeleri ile Pekiştirme Uygulamaları
- Image Segmentation
- Image Segmentation'a Genel Bakış
- Proje : Image Segmentation
- Convolutional Neural Network ile Emotion Classification
- Emotion Classification'a Genel Bakış
- Library ve Veriseti
- Data Preprocessing
- Train ve Test Verisetini Hazırlamak
- CNN Ağını Oluşturmak ve Eğitmek
- Eğitilen CNN Modelini Kaydetmek ve Ölçümlemek
- Tek ve Çoklu Resim ile CNN Modelini Test Etmek
- 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 Sınıflandırma(Classifying)
- Gesture ve Action Recognition
- Gesture ve Action'lara Genel Bakış
- Library ve Dataset'ler
- Vücut Noktalarını(Body Points) Tahminlemek
- Proje : Resim ve Video Üzerinde Gesture Prediction
- Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM), Transformers
- Recurrent Neural Networks (RNNs)
- RNN'e Genel Bakış
- RNN Uygulamaları ve Uygulama Alanları
- RNN Architecture
- RNN'de Gradient Descent ve Vanishing Gradient Descent
- Proje : RNN Uygulaması
- Long Short-Term Memory (LSTM)
- Transformers
- 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
- DeepDream
- DeepDream'e Genel Bakış
- InceptionNet Network
- Data Preprocessing
- DeepDream Algoritması ile Resim Üretmek
- DeepDream Algoritması ile Video Üretmek
- Generative Adversarial Networks (GANs)
- GANs'a Genel Bakış
- 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
- Bölüm Sonu Proje İncelemeleri
- Interactive Image Generation
- Domain-Transfer (Style-Transfer, Sketch-to-Image vb)
- Text-to-Image
- Synthetic Data Generation
- Automatic Video Generation
- Video Prediction
- D Object Generation
- AI-based Cybersecurity (Adversarial Defense & Attack)
- Generative Art
- Human Pose Estimation
- Super Resolution Images
- AutoML'e Genel Bakış
- AutoML Araçlarına Genel Bakış
- Auto Sklearn'e Genel Bakış
- TPOT'a Genel Bakış
- Auto Keras'a Genel Bakış
- İnceleme : PyCaret
- İnceleme : H20
- İnceleme : EvalML
- Auto Sklearn
- Projeye Genel Bakış
- Data Preprocessing
- Proje : Auto Sklearn Uygulaması
- Auto Keras
- Proje : AutoKeras ile Artificial Neural Network
- Proje : AutoKeras ile Convolutional Neural Network
- Proje : AutoKeras ile Object Recognition
- Reinforcement Learning'e Genel Bakış
- Reinforcement Learning'in Kullanım Alanları
- Reinforcement Learning Yöntemleri
- Value-Based
- Policy-Based
- Multi-Agent Reinforcement Learning
- Kavramlar
- State
- Action
- Reward
- Environment
- Agent
- Reinforcement Learning Environment'ları
- Single-Agent Vs. Multi-Agent Vs. Self-Play
- Bellman Equation
- Deterministic Vs Stochastic Environment
- Markov Decision Process (MDP)
- Temporal Difference (TD)
- Deep Reinforcement Learning (DRL)
- Deep Reinforcement Learning Nedir?
- Proje : Deep Reinforcement Learning (DRL) Uygulaması
- Q-Learning
- Q-Learning Nedir?
- Q-Learning Algoritması ve Q-Table
- Exploitation Vs. Exploration
- Living Penalty
- Teori : Q-Learning
- Proje : Q-Learning
- Deep Q-Learning (DQL)
- Deep Q-Learning Nedir?
- Teori : Deep Q-Learning
- Proje : Deep Q-Learning
- Deep Convolutional Q-Learning (DCQL)
- Deep Convolutional Q-Learning Nedir?
- Teori : Deep Convolutional Q-Learning
- Proje : Deep Convolutional Q-Learning
- Environment Design
- Reinforcement Learning Environment Kavramına Derinlemesine Bakış
- Reinforcement Learning Environtment Design Concepts
- Reinforcement Learning Environment Araçları
- OpenAI Gym
- Autonomous Systems (Webiner #1, Webiner #2)
- Otonom Sistemlere Genel Bakış
- Otonom Sistemler ve Yapay Zeka
- Otonom Sistemlerin Teknik Altyapılarını İncelemek
- Proje : Self-Driving Car (Autonomous Car) Geliştirmek
- Proje : Deep Reinforcement Learning(DRL) ile Otonom Drone Yarışları(Autonomous Drone Racing)
- 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
- Donanımsal Hesaplama (Compute Hardware)
- GPU Temelleri
- GPU Cloud
- On-Prem
- Yapay Zeka Odaklı Donanım Tavsiyeler ve Mentörlük
- Kaynak Yönetimi
- Kaynak Yönetimine Genel Bakış
- Kaynak Yönetimi Araçları
- ML System Lifecycle
- Distributed AI
- Distributed Sistemlere Genel Bakış
- Distributed Sistemler ve Paralel Programlama
- Distributed AI Nedir?
- Distributed AI Kullanım Senaryoları
- Distributed AI Araçları
- Dask
- Ray
- Horovod
- DeepSpeed
- PyTorch
- Distributed TensorFlow
- Mesh TensorFlow
- Diğer Araçlar...
- Distributed Training
- Distributed Training'e Genel Bakış
- Data Parallelism (Data-Parallel Training)
- Model Parallelism (Model-Parallel Training)
- Projeler : Distributed Training
- Experiment Management
- TensorBoard
- MLFlow
- Ürün Ortamındaki Diğer Profesyonel Araçlar...
- Hyperparameter Tuning
- Hyperparameter Tuning'e Genel Bakış
- Hyperparameter Tuning Araçları
- Veri Yönetimi
- Veri Yönetimine Genel Bakış
- Veri Kaynakları
- Veri Depolama Yöntem ve Stratejileri
- Veri İşleme
- Feature Store
- Veri Keşfi
- Veri Etiketleme
- Veri Versiyonlama
- Veri Gizliliği
- Packaging & Deployment
- Packaging
- MLaaS : Machine Learning as a Services ()
- MLaaS Nedir?
- MLaaS Konsept ve Mimarisi
- Model Deployment
- Deployment Türleri
- Web : AI Modelleri için Web Tabanlı Mimari ve Teknolojiler
- RESTful API ve Microservice Mimarisi ()
- Dependency Management
- Model Sharing : ONNX
- Caching & Batching
- GPU Paylaşımı
- Vertical & Horizontal Scaling
- Model Serving Araç ve Library'leri
- TensorFlow Serving
- TensorFlow Architecture
- TensorFlow Serving için Model Export
- Model Signature
- REST vs. gRPC
- Model Server ile Prediction
- REST ile Model Prediction
- gRPC ve TensorFlow Serving ile Model Prediction
- TensorFlow Extended (TFCX) Pipeline ile Model Deployment
- PyTorch Serve
- Diğer Araçlar
- Deployment İçin Model Optimizasyonu
- Quantization
- Pruning
- Distillation
- Mobile AI : AI Modelleri için Mobil Tabanlı Mimari ve Teknolojiler
- Mobile AI'a Genel Bakış
- Mobile AI Araç ve Library'leri
- Bir Mobile AI Proje Mimarisini İncelemek
- Bir Mobile AI Proje Kaynak Kodunu İncelemek
- Mobile AI Projelerinde Dikkat Edilmesi Gerekenler & Tavsiyeler
- Edge AI : AI Modelleri için IoT Tabanlı Mimari ve Teknolojiler
- Edge Computing ve Edge AI'a Genel Bakış
- Edge AI Araç ve Library'leri
- Bir Edge AI Proje Mimarisini İncelemek
- Bir Edge AI Proje Kaynak Kodunu İncelemek
- Edge AI Projelerinde Dikkat Edilmesi Gerekenler & Tavsiyeler
- 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 için)
- 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
- Monitoring : Metrics & Prometheus
- Monitoring : Logs & Kibana
- Machine Learning Scalability
- Machine Learning Performance
- Machine Learning Performance'a Genel Bakış
- Machine Learning Performance Benchmark
- C++ ile ML/DL
- C++ ile TensorFlow Programlama
- C++ ile PyTorch Programlama
- Machine Learning Compiler
- Machine Learning Compiler'a Genel Bakış
- Machine Learning Compiler Neden Kullanılır?
- Machine Learning Compiler Araçları
- Data Privacy (Veri Gizliliği)
- Veri Gizliliği Temelleri
- Veri Gizliliğini Neden Önemsemeliyiz?
- Gizliliği Arttırma Yolları
- Hangi Veriler Gizli Kalmalı?
- TensorFlow Privacy
- Federated Learning (TensorFlow)
- Encrypted Machine Learning
- Encrypted Model Training
- Encrypted Prediction
- AI Security
- ()
- Proje : Bir Yapay Zeka Modelini ve Sistemini Hacklemek!
- Adversarial Attack Uygulamaları
- Diğer Yapay Zeka Güvenlik Zaafiyetleri
- Yapay Zeka Güvenlik Zaafiyetlerinden Korunma Yöntemleri
- Yapay Zeka Proje Yönetimine Genel Bakış
- AI Project Lifecycle (Yapay Zeka Proje Yaşam Döngüsü)
- Planlama
- Model Training & Debugging
- Model Deployment & Testing
- Bir AI Projesi Neden Başarısız Olur?
- Bir AI Projesinin Başarısızlık Sebeplerini İncelemek
- Bir AI Projesinin Başarısını Arttırma Taktik, Teknik ve Püf Noktaları
- Proje (Senaryo Çalışması): Bir Yapay Zeka Proje/Girişimine Sıfırdan Başlamak ve Sonuca Gitmek
Kazanımlar
- Katılımcıların makine öğrenimi ve veri bilimi konularında derinlemesine bilgi sahibi olmalarını sağlamak
- Gerçek dünya problemlere makine öğrenimi teknikleri uygulayabilme yeteneği kazandırmak
- Veri analizleri ve modelleme süreçlerini yönetme becerisini geliştirmek
- Farklı makine öğrenimi algoritmalarını ve tekniklerini etkili bir şekilde kullanabilme yetkinliğini artırmak
- Makine öğrenimi projelerini planlama, yürütme ve değerlendirme kabiliyetlerini artırmak
- Büyük veri işleme ve analiz etme tekniklerine hakimiyet kazandırmak
- Etik ve sorumlu veri kullanımı prensiplerini öğretmek
- Katılımcıları, makine öğrenimi projelerinde liderlik yapabilecek seviyeye getirmek
Hedef Kitle
- Kariyerine Makine Öğrenimi Alanında Yön Vermek İsteyenler
- Yazılım Geliştiriciler
- Veri Analistleri
- Kıdemli Veri Bilimciler
- Makine Öğrenimi Mühendisleri
- Veri Bilimi ve Analitik Yöneticileri
- Teknoloji ve İnovasyon Müdürleri
- Üst Düzey Yöneticiler
- Akademisyenler ve Araştırmacılar
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.
SEKTÖRÜN GÜVENDİĞİ ÇÖZÜM ORTAĞI
BT Akademi'yi tercih eden 4.000'den fazla kurum yanılmıyor.
