Yapay Sinir Ağları Eğitimi
Yapay Sinir Ağları Eğitimi
Eğitim Hakkında
Eğitimde yapay sinir ağlarının çalışma şekli teknik detayları ile anlatılmaktadır. Evrişimsel sinir ağları, tekrarlayan sinir ağları, büyük dil modelleri gibi farklı yapay sinir ağı tiplerinin yapıları ve kullanım amaçları aktarılmaktadır. Yapay sinir ağları için performans ölçüm kriterleri, performansının geliştirilmesi için yöntemler eğitim kapsamında olan konulardır.
Ön Koşul
Üniversite seviyesinde temel matematik bilgisi & Temel programlama ve algoritma yazma ya da anlama becerilerinin olması & Python bilgisi şart olmamakla beraber örnek kodların anlaşılması için faydalı olacaktır.
Eğitim İçeriği
- Yapay zeka ve makine öğrenmesi tanımları
- Danışmanlı ve danışmansız öğrenme
- Regresyon ve sınıflandırma
- Yapay sinir ağları uygulama alanları
- Yapay sinir ağları tipleri
- Perceptron
- Lojistik regresyon yapısı
- Çoklu sınıflandırma
- Örnek uygulama
- Yapay sinir ağları yapısı
- Aktivasyon fonksiyonları
- İlk değer atama
- İleri yayılım (Forward propagation)
- Geri yayılım (Backward propagation)
- Kayıp ve maliyet fonksiyonu
- Gradyan inişi (Gradient descent)
- Örnek uygulama
- Eğitim, geliştirme ve test verisi
- Ölçüm metrikleri
- Doğruluk (Accuracy), kesinlik (precision), duyarlılık (recall), F1 skor
- Düzenlileştirme
- Normalizasyon
- İlk değer atamaları
- Çoklu sınıflandırma – Softmax
- Kayıp fonksiyonları
- Grad-Check
- Optimizasyon teknikleri
- Hiper parametreler
- Batch normalleştirme
- Orthogonolization
- Hata analizi
- Öğrenmenin transfer edilmesi
- Örnek Senaryolar
- Kayıp fonksiyonları
- Sinir ağının eğitilmesi
- Kullanım alanları
- Örnek uygulama
- Evrişimsel sinir ağları temel yapısı
- Örnek evrişimsel sinir ağları (Le Net, AlexNet, VGG-16, ResNet, Inception Networks)
- Bilgisayarlı görü (Computer vision)
- Lokasyon ile sınıflandırma
- Kayan pencereler (Sliding windows)
- YOLO
- Yüz tanıma
- Stil transferi
- Deep Dream
- RNN Modeli
- Geçitli tekrarlayan birim (Gated Recurrent Units -GRU)
- Uzun kısa süreli bellek (Long short-term memory- LTSM)
- LLM tanımı ve kullanımı
- Kelime gömme (Word embedddings)
- Transformer
Kazanımlar
- Makine öğrenmesi, yapay sinir ağları ve öğrenme türlerinin temel prensiplerini anlayarak farklı problem türleri için uygun model yaklaşımlarını belirleyebileceksiniz,
- Lojistik regresyon, standart yapay sinir ağları, CNN, RNN ve otokodlayıcı mimarilerinin çalışma mantığını öğrenerek örnek uygulamalarla ilişkilendirebileceksiniz,
- Model performansını ölçme, iyileştirme ve optimizasyon tekniklerini kullanarak daha doğru ve genellenebilir yapay sinir ağı modelleri geliştirebileceksiniz,
- Büyük dil modelleri, kelime gömme ve transformer mimarileri hakkında temel farkındalık kazanarak yapay sinir ağlarının güncel kullanım alanlarını değerlendirebileceksiniz.
Hedef Kitle
- Araştırmacılar ve lisansüstü öğrenciler
- ML / AI mühendisi adayları
- Yazılım geliştiriciler
- Veri bilimciler
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınavın 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.
