AI Mühendisliğinde Ustalık: Python Mühendisliğinden Üretime Hazır AI Sistemlerine Eğitimi

Bu kurs, Automotive Sektöründe Yapay Zeka'yı (vurgu Machine Learning ve Deep Learning) kapsamaktadır. Otomobillerde çeşitli durumlarda hangi teknolojinin (potansiyel olarak) kullanılabileceğini belirlemeye yardımcı olur: basit otomasyondan, görüntü tanımaya ve otonom karar almaya kadar.

Yapay zekâ temellerini keşfetmek, zekâlı teknolojinin kurumsal operasyonlar genelinde dijital strateji, otomasyon ve karar alma süreçlerini nasıl dönüştürdüğünü ortaya koyar. Yapay zekâ tarihinin temel kavramlarını, problem çözme çerçevelerini, bilgi temsili, belirsiz mantık ve makine öğrenimi paradigma yaklaşımını, iletişimi, algıyı ve otonom eylemi içeren bir inceleme sağlar. Yöneticileri ve mimarları yapay zekâ ile dönüştürme fırsatlarını değerlendirmeye, yükselen teknoloji trendlerini analiz etmeye ve iş zekâsını hızlandırmak için pratik zekâlı çözümleri hayata geçirmeye yönlendirir.

Bu eğitmen liderliğinde gerçekleştirilen, canlı <yer> (online veya yüz yüze) eğitim; AlphaFold'un çalışma prensiplerini anlamak ve deneysel çalışmalarında AlphaFold modellerini bir rehber olarak kullanmak isteyen biyologlara yönelik tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şu yetkinliklere sahip olacaktır:

• AlphaFold'un temel prensiplerini anlayacaklar.
• AlphaFold'un nasıl çalıştığını öğrenmiş olacaklar.
• AlphaFold tahminlerini ve sonuçlarını yorumlamayı öğrenecekler.

Yapay Sinir Ağı, "akıllı" görevler gerçekleştirebilen Artificial Intelligence (AI) sistemlerin geliştirilmesinde kullanılan hesaplamalı bir veri modelidir. Neural Networks, kendileri de Yapay Zekanın (AI) bir uygulaması olan Machine Learning (Makine Öğrenimi - ML) uygulamalarında yaygın olarak kullanılır. Deep Learning, Makine Öğreniminin bir alt kümesidir.

Python ile Temellerden Uygulamalı Yapay Zeka, programcıların ve veri analistlerinin Python kullanarak makine öğrenimi çözümlerini sıfırdan oluşturma için temel tekniklerle donatılmasını sağlar. Denetimli öğrenmenin sınıflandırma ve regresyon, denetimsiz öğrenmenin kümeleme ve anormallik tespitine yönelik temel ilkelerini, gelişmiş sinir ağı mimarilerini kapsar. El ile uygulamalı yapay zeka geliştirmesi için scikit-learn, Apache Spark MLlib ve Jupyter not defterleriyle çalışmanın kanıtlanmış yöntemlerini inceler. Profesyonellere pratik ML modelleri uygulama, algoritma kısıtlamalarını değerlendirme ve gerçek dünya sorunlarını çözme için uygulamalı projeler tamamlama konusunda yardımcı olur.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Google'nın AutoML platformunu kullanarak çeşitli uygulamalar için özelleştirilmiş sohbet robotları oluşturmak isteyen farklı uzmanlık seviyelerindeki katılımcılara yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sohbet robotu geliştirmenin temellerini anlayabilecektir.
• Google Bulut Platformunda gezinebilecek ve AutoML'ya erişebilecektir.
• Sohbet robotu modellerini eğitmek için verileri hazırlayabilecektir.
• AutoML kullanarak özel sohbet robotu modellerini eğitebilecek ve değerlendirebilecektir.
• Sohbet robotlarını çeşitli platformlara ve kanallara dağıtabilecek ve entegre edebilecektir.
• Sohbet robotu performansını zaman içinde izleyebilecek ve optimize edebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), örüntü tanıma ve makine öğrenimi alanına bir giriş sunar. İstatistik, bilgisayar bilimi, sinyal işleme, bilgisayar görüşü, veri madenciliği ve biyoinformatik alanlarındaki pratik uygulamalara değinir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Örüntü tanımaya temel istatistiksel yöntemleri uygulayabilecektir.
• Veri analizi için sinir ağları ve çekirdek yöntemleri gibi temel modelleri kullanabilecektir.
• Karmaşık problem çözme için gelişmiş teknikleri uygulayabilecektir.
• Farklı modelleri birleştirerek tahmin doğruluğunu artırabilecektir.

Derin Takviyeli Öğrenme (DRL), takviyeli öğrenmenin ilkelerini derin öğrenme mimarileriyle birleştirerek, ajanların çevreleriyle etkileşim halinde kararlar almasını mümkün kılar. Bu teknoloji, öz-çalışan araçlar, robotik kontrol, algoritmik işlem ve adaptif öneri sistemleri gibi birçok modern yapay zeka ilerlemesinin temelini oluşturur. DRL, deneme yanılma yoluyla ödül tabanlı öğrenme kullanarak stratejileri öğrenmeyi, politikaları optimize etmeyi ve otonom kararlar vermeyi sağlar.

Bu eğitmen yönlendirilmiş canlı eğitim (çevrimiçi veya kurum içi), karmaşık ortamlarda otonom karar verme yeteneğine sahip derin takviyeli öğrenme ajanları oluşturmak ve uygulamak isteyen orta düzeyde geliştiriciler ve veri bilimciler hedef kitledir.

Bu eğitmenin sonunda katılımcılar şunları yapabilecekler:

• Takviyeli Öğrenmenin teorik temellerini ve matematiksel ilkelerini anlamak.
• Q-Öğrenme, Politika Gradyanları ve Aktör-Kritik yöntemleri gibi ana RL algoritmalarını uygulamak.
• TensorFlow veya PyTorch kullanarak Derin Takviyeli Öğrenme ajanları oluşturmak ve eğitmek.
• Oyunlar, robotik ve karar optimizasyonu gibi gerçek dünya uygulamalarına DRL uygulamak.
• Modern araçlar kullanarak eğitim performansını gidermek, görselleştirmek ve optimize etmek.

Eğitim Formatı

• Etkileşimli sunum ve rehberli tartışma.
• El ile alıştırma ve pratik uygulamalar.
• Canlı kodlama gösterileri ve proje tabanlı uygulamalar.

Eğitim Özelleştirme Seçenekleri

• Bu eğitimin özelleştirilmiş bir sürümünü talep etmek için (örneğin, TensorFlow yerine PyTorch kullanmak), lütfen bizimle iletişime geçin.

Bu eğitmen öncülkü, canlı eğitim (online veya on-site) Türkiye konumunda, Tensorflow Lite'i Kıyasın_AI uygulamalarında kullanmak isteyen orta seviye geliştiriciler, veri bilimciler ve yapay zeka uzmanları için tasarlanmıştır.

Bu eğitim sonunda katılımcılar şu becerileri kazanacaklardır:

• Tensorflow Lite'in temel kavramlarını ve Kıyasın_AI'daki rolünü anlamak.
• Tensorflow Lite kullanarak yapay zeka modellerini geliştirme ve optimizasyonu.
• Farklı kıyas cihazlarına Tensorflow Lite modellerini dağıtımını gerçekleştirmek.
• Model dönüştürme ve optimizasyonu için araçlar ve teknikleri kullanmak.
• Pratik Kıyasın_AI uygulamalarını Tensorflow Lite ile uygulamak.

Kubeflow, Kubernetes üzerinde makine öğrenmesi iş yüklerinin oluşturulmasını, eğitilmesini ve dağıtılmasını kolaylaştırmak için tasarlanmış açık kaynaklı bir platformdur.

Eğitmen eşliğinde canlı olarak (çevrimiçi veya yerinde) gerçekleştirilen bu eğitim, güvenilir ML iş akışlarını Kubeflow kullanılarak oluşturmak isteyen başlangıç ve orta düzeydeki profesyonellere yöneliktir.

Bu eğitimin tamamlanmasının ardından katılımcılar şu becerileri kazanacaktır:

• Kubeflow ekosistemi ve temel bileşenlerini keşfetme.
• Kubeflow Pipelines ile yeniden üretilebilir iş akışları oluşturma.
• Kubernetes üzerinde ölçeklenebilir eğitim işlerini çalıştırma.
• Kubeflow Serving ile makine öğrenliği modellerini verimli bir şekilde sunma.

Ders Formatı

• Yönlendirilmiş sunumlar ve işbirlikçi tartışmalar.
• Gerçek Kubeflow bileşenleriyle el becerisi gerektiren laboratuvar çalışmaları.
• Uçtan uca ML iş akışları oluşturmak için pratik alıştırma çalışmaları.

Ders Özelleştirme Seçenekleri

• Bu eğitimin, ekibinizin teknoloji yığını ve proje gereksinimleriyle uyumlu hale getirilecek özelleştirilmiş versiyonları düzenlenebilir.

Türkiye ortamında üreteciler tarafından yürütülen bu canlı eğitim (çevrimiçi veya yerinde), Kubernetes üzerinde makine öğrenimi iş akışlarını oluşturmak, dağıtmak ve yönetmek isteyen geliştiricilere ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecek duruma gelecektir:

• Kubeflow'u hem yerinde (on-premise) hem de bulut ortamında kurmak ve yapılandırmak.
• Docker konteynerleri ve Kubernetes tabanlı ML iş akışlarını oluşturmak, dağıtmak ve yönetmek.
• Tüm makine öğrenimi boru hatlarını çeşitli mimarilerde ve bulut ortamlarında çalıştırmak.
• Kubeflow'u Jupyter defterlerini başlatmak ve yönetmek için kullanmak.
• ML eğitimi, hiperparametre ayarı ve sunum (serving) iş yüklerini birden fazla platformda oluşturmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), değerleri tahmin ve projeksiyon yapmak ve zaman serisi tahmini için analitik araçlar kullanmak isteyen orta düzey veri analistlerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• CRISP-DM metodolojisini uygulamayı, uygun makine öğrenimi algoritmalarını seçmeyi ve model oluşturmayı ve performansını iyileştirmeyi öğreneceklerdir.
• RapidMiner kullanarak değerleri tahmin ve projeksiyon yapabilecek ve zaman serisi tahmini için analitik araçlar kullanabileceklerdir.

Bu kurs, sinir ağlarına ve genellikle makine öğrenimi algoritmalarına, derin öğrenmeye (algoritmalar ve uygulamalar) kavramsal bilgi vermekle başlar.

Bu eğitimdeki 1. Bölüm (%40), temel konulara odaklanır ancak doğru teknolojiyi seçmenize yardımcı olacaktır: TensorFlow, Caffe, Theano, DeepDrive, Keras vb.

2. Bölüm (%20) bu eğitimde Theano - derin öğrenim modellerini yazmayı kolaylaştıran bir Python kütüphanesi - tanıtır.

3. Bölüm (%40), Google'ın açık kaynak kodlu yazılım kitaplığı olan TensorFlow'un API'sine dayanır ve eğitim yoğun şekilde bu konuda olacaktır. Örnekler ve uygulamalar tamamen TensorFlow kullanılarak yapılacaktır.

Hedef Kitle

Bu kurs, Derin Öğrenim projeleri için TensorFlow kullanmayı planlayan mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• derin sinir ağları (DNN), CNN ve RNN hakkında iyi bir anlayışa sahip olacaklardır.
• TensorFlow'ın yapısını ve dağıtım mekanizmalarını anlayacaklardır.
• kurulum / üretim ortamı / mimari görevleri ve yapılandırmayı gerçekleştirebileceklerdir.
• kod kalitesini değerlendirebilir, hata ayıklama ve izleme işlemlerini gerçekleştirebileceklerdir.
• ileri düzey üretim görevleri gibi model eğitimi, grafik oluşturma ve kaydetme gibi işlemleri uygulayabileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), derin öğrenme modelleri için son teknoloji XAI tekniklerini keşfetmek isteyen ileri düzey profesyonellere yöneliktir ve yorumlanabilir yapay zeka sistemleri oluşturmaya odaklanmaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenmede açıklanabilirlik zorluklarını anlayabilecektir.
• Sinir ağları için gelişmiş XAI tekniklerini uygulayabilecektir.
• Derin öğrenme modelleri tarafından alınan kararları yorumlayabilecektir.
• Performans ve şeffaflık arasındaki ödünleşimleri değerlendirebilecektir.