Eğitim İçeriği
1. GÜN - YAPAY SİNİR AĞLARI
Giriş ve YSA Yapısı.
- Biyolojik nöronlar ve yapay nöronlar.
- YSA modeli.
- YSA'larında kullanılan aktivasyon fonksiyonları.
- Tipik ağ mimarisi sınıfları.
Matematiksel Temeller ve Öğrenme Mekanizmaları.
- Vektör ve matris cebirinin yeniden incelenmesi.
- Durum uzayı kavramları.
- Optimizasyon kavramları.
- Hata düzeltme öğrenimi.
- Belleğe dayalı öğrenme.
- Hebbian öğrenme.
- Rekabetçi öğrenme.
Tek katmanlı algılayıcılar (Perceptrons).
- Algılayıcıların yapısı ve öğrenmesi.
- Desen sınıflayıcı - giriş ve Bayes sınıflayıcıları.
- Desen sınıflayıcı olarak algılayıcı.
- Algılayıcı yakınsaması.
- Algılayıcıların sınırlılıkları.
İleri beslemeli YSA.
- Çok katmanlı ileri beslemeli ağların yapıları.
- Geri yayılım (Back propagation) algoritması.
- Geri yayılım - eğitim ve yakınsama.
- Geri yayılım ile işlevsel yaklaşım.
- Geri yayılım öğrenmesinin pratik ve tasarım sorunları.
Radyal Taban Fonksiyonlu Ağlar.
- Desen ayrılabilirliği ve enterpolasyon.
- Düzenleme (Regularization) Kuramı.
- Düzenleme ve RBF ağları.
- RBF ağı tasarımı ve eğitimi.
- RBF'nin yaklaşım özellikleri.
Rekabetçi Öğrenme ve Kendini Örgütleyen YSA.
- Genel kümeleme prosedürleri.
- Öğrenme Vektör Kuantizasyonu (LVQ).
- Rekabetçi öğrenme algoritmaları ve mimarileri.
- Kendini örgütleyen özellik haritaları.
- Özellik haritalarının özellikleri.
Bulanık Sinir Ağları.
- Yapay-z (Neuro-fuzzy) sistemler.
- Bulanık kümeler ve mantık arka planı.
- Bulanık sistem tasarımının temelleri.
- Bulanık YSA tasarımı.
Uygulamalar
- Sinir Ağı uygulamalarının bazı örnekleri, avantajları ve sorunları tartışılacaktır.
2. GÜN - MAKİNE ÖĞRENİMİ
- PAC Öğrenme Çerçevesi
- Sonlu hipotez kümesi için garantiler – tutarlı durum
- Sonlu hipotez kümesi için garantiler – tutarsız durum
- Genel İlkeler
- Belirsiz (Deterministic) vs. Stokastik senaryolar
- Bayes hata gürültüsü
- Tahmin ve yaklaşım hataları
- Model seçimi
- Rademacher Karmaşıklığı ve VC - Boyutu
- Önyargı - Varyans ödünleşimi
- Düzenleme (Regularisation)
- Aşırı sığma (Over-fitting)
- Doğrulama (Validation)
- Destek Vektör Makineleri
- Kriging (Gaussian Process regression)
- PCA ve Çekirdek PCA
- Kendini Örgütleyen Haritalar (SOM)
- Çekirdek türevli vektör uzayı
- Mercer Çekirdekleri ve Çekirdek türevli benzerlik metrikleri
- Pekiştirmeli Öğrenme
3. GÜN - DERİN ÖĞRENME
Bu içerik, 1. ve 2. Günlerde ele alınan konularla ilişkilendirilerek öğretilecektir
- Lojistik ve Softmax Regresyon
- Seyrek Otoenkoderler
- Vektörizasyon, PCA ve Beyazlatma (Whitening)
- Kendiliğinden Öğrenme
- Derin Ağlar
- Doğrusal Çözücüler
- Konvolüsyon ve Birleştirme (Pooling)
- Seyrek Kodlama
- Bağımsız Bileşen Analizi
- Kanonical Korelasyon Analizi
- Demoslar ve Uygulamalar
Kurs İçin Gerekli Önbilgiler
Matematik hakkında iyi bir anlayış.
Temel istatistik hakkında iyi bir anlayış.
Temel programlama becerileri zorunlu değildir ancak önerilir.
Danışanlarımızın Yorumları (2)
Odaklanarak ilk ilkelerden başlamak ve aynı gün içinde örneklem uygulamalarına geçmek
Maggie Webb - Department of Jobs, Regions, and Precincts
Eğitim - Artificial Neural Networks, Machine Learning, Deep Thinking
Yapay Zeka Çevirisi
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Eğitim - Artificial Neural Networks, Machine Learning, Deep Thinking
Yapay Zeka Çevirisi
