Eğitim İçeriği
Modül 1: ML İş Akışları için Temel Python
• Kurs başlangıcı ve ortam kurulumu
Hedefleri hizalayın ve tekrarlanabilir Python ML çalışma ortamını kurun
• Python dil temelleri (hızlı yol)
Sözdizimi, kontrol akışı, fonksiyonlar ve ML kod tabanlarında sık kullanılan desenleri gözden geçirin
• ML için veri yapıları
Özellikler, etiketler ve meta veriler için listeler, sözlükler, kümeler ve demetler
• Comprehensions ve fonksiyonel araçlar
Comprehensions ve yüksek-sıralı fonksiyonlar kullanarak dönüşümleri ifade edin
• ML geliştiricileri için nesne yönelimli Python
Sınıflar, metodlar, kompozisyon ve pratik tasarım kararları
• dataclasses ve hafif modelleme
Yapılandırma, örnekler ve sonuçlar için tipli kapsayıcılar
• Decorators ve context managers
Zamanlama, önbellekleme, günlük tutma ve kaynak-güvenli yürütme desenleri
• Dosyalar ve yollarla çalışma
Hassas veri seti işlemesi ve seri hale getirme biçimleri
• İstisnalar ve savunma tabanlı programlama
Güvenli ve şeffaf şekilde başarısız olan ML betikleri yazma
• Modüller, paketler ve proje yapısı
Tekrar kullanılabilir ML kod tabanlarını düzenleme
• Tiplemek ve kod kalitesi
Tip ipuçları, belgeler ve lint dostu yapı
Modül 2: Vektörel Hesaplama için Numerical Python, SciPy ve Veri İşleme
• Vektörel hesaplama için NumPy temelleri
Etkin dizi işlemleri ve performans bilinci kodlaması
• İndeksleme, dilimleme, yayın ve şekiller
Güvenli tensör manipülasyonu ve şekil akıl yürütme
• NumPy ve SciPy ile lineer cebir temelleri
ML'de kullanılan stabil matris işlemleri ve ayrıştmalar
• SciPy derinlemesine inceleme
İstatistik, optimizasyon, eğri uydurma ve seyrek matrisler
• Tablo veri için Pandas
Veri setlerini temizleme, birleştirme, toplama ve hazırlama
• scikit-learn derinlemesine inceleme
Estimator arayüzü, ardışık düzenler ve tekrarlanabilir iş akışları
• Görselleştirme temelleri
Veri keşfi ve model davranışları için teşhis grafikleri
Modül 3: ML Uygulamaları için Programlama Desenleri
• Not defterinden sürdürülebilir projeye
Keşifçi kodu yapılandırılmış paketlere yeniden düzenleme
• Yapılandırma yönetimi
Dışa aktarılan parametreler ve başlangıç doğrulaması
• Günlük tutma, uyarılar ve gözlemlenbilirlik
Hata ayıkılabilir ML sistemleri için yapılandırılmış günlük tutma
• OOP ve kompozisyon ile yeniden kullanılabilir bileşenler
Genişletilebilir dönüştürme ve tahminleyici tasarımları oluşturma
• Pratik tasarım desenleri
Pipeline, Factory veya Registry, Strategy ve Adapter desenleri
• Veri doğrulama ve şema kontrolleri
Sessiz veri sorunlarını önlemek
• Performans ve profil oluşturma
Dikokulları belirleme ve optimizasyon tekniklerini uygulama
• Model I O ve tahmin arayüzleri
Güvenli kalıcılık ve temiz tahmin arayüzleri
• Uçtan uca mini yapılandırma
Yapılandırma ve günlük tutma ile üretim-stil ML ardışık düzeni
Modül 4: Tablo, Metin ve Görüntü için İstatistiksel Öğrenme
• Değerlendirme temelleri
Eğitim ve doğrulama bölümleri, dürüst çapraz doğrulama ve işletme hizmetleri hizmetli metrikler
• Gelişmiş tablo ML
Düzenlendirilmiş GLMs, ağaç kümeleri ve sızıntı-sız ön işlemleme
• Kalibrasyon ve belirsizlik
Platt ölçeklendirme, izotonik regresyon, örnekleme ve uyumlu tahmin
• Klasik NLP yöntemleri
Tokenizasyon dengelemeleri, TF-IDF, lineer modeller ve Naive Bayes
• Konu modellemesi
LDA temelleri ve pratik sınırlamalar
• Klasik bilgisayar görüşü
HOG, PCA ve özellik bazlı ardışık düzenler
• Hata analizi
Yanlılık tespiti, etiket gürültüsü ve rastlantısal korelasyonlar
• Uygulamalı laboratuvarlar
Sızıntı-sız tablo ardışık düzeni
Metin temel çizgisi karşılaştırması ve yorumlama
Klasik görüş temel çizgisi ve yapılandırılmış başarısızlık analizi
Modül 5: Tablo, Metin ve Görüntü için Nöral Ağlar
• Eğitim döngüsü ustalığı
Temiz PyTorch döngüleri, AMP, kesme ve tekrarlanabilirlik
• Optimizasyon ve düzenleyici
Başlatma, normalizasyon, optimizatörler ve zamanlayıcılar
• Karışık hassasiyet ve ölçeklendirme
Gradyan biriktirme ve denetim noktası stratejileri
• Tablo nöral ağları
Kategorik gömülme, özellik kesişimleri ve ableyasyon çalışmaları
• Metin nöral ağları
Gömülme, CNNs, BiLSTM veya GRU ve dizge işlemesi
• Görüntü nöral ağları
CNN temelleri ve ResNet-stil mimariler
• Uygulamalı laboratuvarlar
Yeniden kullanılabilir eğitim çerçevesi
Tablo NN vs boosting karşılaştırması
CNN ile artırma ve zamanlama deneyleri
Modül 6: Gelişmiş Nöral Mimari
• Transfer öğrenme stratejileri
Dondurma ve defrost desenleri, ayrımlayıcı öğrenme oranları
• Metin için nöral ağ mimarileri
Kendi-dikkat içgörüsü ve fine-tuning yaklaşımları
• Görüntü çaprazları ve yoğun tahmin
ResNet, EfficientNet, Vision Transformers ve U-Net kavramları
• Gelişmiş tablo mimarileri
TabTransformer, FT-Transformer ve Deep and Cross ağları
• Zaman serisi dikkatleri
Zaman bölmeleri ve kovaryans kayma tespiti
• PEFT ve verimlilik teknikleri
LoRA, distillation ve quanzitasyon dengelemeleri
• Uygulamalı laboratuvarlar
Önceden eğitilmiş metin transformer'ı fine-tuning
Önceden eğitilmiş görüntü modeli fine-tuning
Tablo transformer vs GBDT karşılaştırması
Modül 7: Üreteç AI Sistemleri
• İstek temelleri
Yapılandırılmış istek ve kontrol edilen üretme
• LLM temelleri
Tokenizasyon, talimat ayarlaması ve hayal kırıklığı azaltma
• Arama-Ekli Üretim
Parçalama, gömülme, hibrit arama ve değerlendirme metrikleri
• Fine-tuning stratejileri
LoRA ve QLoRA ile veri kalitesi kontrolleri
• Dağılım modelleri
Dağılım sezgisi ve pratik uyarlamalar
• Sentez tablo verisi
CTGAN ve gizlilik dikkatleri
• Uygulamalı laboratuvarlar
Üretim-stil RAG mini-uygulama
Şema zorlaması ile yapılandırılmış çıktı doğrulaması
İsteğe bağlı dağılım deneyleri
Modül 8: AI Ajanları ve MCP
• Ajan döngüsü tasarımı
Gözlem, plan, eylem, geri dönüş ve kalıcı olma
• Ajan mimarileri
ReAct, plan ve yürütme, çok ajan koordinasyonu
• Bellek yönetimi
Epizodik, semantik ve scratchpad yaklaşımları
• Aracı entegrasyonu ve güvenlik
Aracı sözleşmeleri, kumbara ve istek enjeksiyon savunmaları
• Değerlendirme çerçeveleri
Tekrarlanabilir izler, görev paketleri ve geri dönüş testleri
• MCP ve protokol bazlı uyumluluk
Güvenli aracı maruziyeti ile MCP sunucuları tasarımı
• Uygulamalı laboratuvarlar
Sıfırdan bir ajan oluşturma
MCP-stil sunucu aracılığıyla aracı maruziyet
Güvenlik kısıtlamaları ile değerlendirme çatısı oluşturma
Kurs İçin Gerekli Önbilgiler
Katılımcılar Python programlama dilinin çalışma bilgisine sahip olmalıdır.
Bu program, orta düzeyden ileri teknik profesyoneller için tasarlanmıştır.
Danışanlarımızın Yorumları (2)
ML ekosistemi sadece MLFlow değil, aynı zamanda Optuna, HyperOpt, Docker ve Docker-Compose gibi araçları da içerir.
Guillaume GAUTIER - OLEA MEDICAL
Eğitim - MLflow
Yapay Zeka Çevirisi
Kubeflow eğitimine uzaktan katılabilmek çok keyifli oldu. Bu eğitim, AWS hizmetleri, K8s ve Kubeflow etrafındaki tüm devOps araçları konularında bilgilerimi pekiştirmemi sağladı; bu konuyu doğru şekilde ele almak için gerekli temellerdir. Malawski Marcin'in sabrı ve profesyonellikle eğitimini ve en iyi uygulama önerilerini sunması için teşekkür etmek istiyorum. Malawski, konuyu farklı açılarla ve Ansible, EKS kubectl, Terraform gibi farklı dağıtım araçlarıyla ele alıyor. Şimdi kesinlikle doğru uygulama alanına girdiğime ikna oldum.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Eğitim - Kubeflow
Yapay Zeka Çevirisi
