Deep Learning Neural Networks ile Chainer 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.

Bu kurs, yöneticiler, çözüm mimarları, inovasyon yöneticileri, CTO'lar, yazılım mimarları ve uygulamalı yapay zeka ile gelişiminin en yakın öngörüsü hakkında genel bir bakışla ilgilenen herkes için oluşturulmuştur.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), olasılık, istatistik, programlama ve makine öğrenimi alanlarında temel kavramları öğrenmek ve bunları yapay zeka geliştirmeye uygulamak isteyen yeni başlayan seviyedeki katılımcılara yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Olasılık ve istatistik alanındaki temel kavramları anlayacak ve bunları gerçek dünya senaryolarına uygulayabilecektir.
• Prosedürel, fonksiyonel ve nesne yönelimli programlama kodlarını yazabilecek ve anlayabilecektir.
• Sınıflandırma, kümeleme ve sinir ağları gibi makine öğrenimi tekniklerini uygulayabilecektir.
• Kural motorları ve uzman sistemleri kullanarak problem çözümü için yapay zeka çözümleri geliştirebilecektir.

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.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), profesyonel alanlarında verileri hazırlamak, modeller oluşturmak ve makine öğrenimi tekniklerini etkili bir şekilde uygulamak isteyen orta seviyedeki veri bilimcileri ve istatistikçilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli Machine Learning algoritmalarını anlayıp uygulayabilecekler.
• Verileri ve modelleri makine öğrenimi uygulamaları için hazırlayabilecekler.
• Sonradan analizler yapabilecek ve sonuçları etkili bir şekilde görselleştirebilecekler.
• Makine öğrenimi tekniklerini gerçek dünya, sektöre özgü senaryolara uygulayabilecekler.

Yapay Sinir Ağları, "akıllı" görevler gerçekleştirebilen Artificial Intelligence (AI) sistemlerin geliştirilmesinde kullanılan hesaplamalı bir veri modelidir. Neural Networks, genellikle Machine Learning (ML) uygulamalarında kullanılır ve bunlar da yapay zekanın (AI) bir uygulamasıdır. Deep Learning, ML'nin bir alt kümesidir.

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.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde) Deep Reinforcement Learning'nin temellerini öğrenmek isteyen geliştiriciler ve veri bilimcilerine yöneliktir; bir Deep Learning Aracısı oluşturma sürecinde adım adım ilerleyeceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Deep Reinforcement Learning'nin temel kavramlarını anlayabilecek ve onu Machine Learning'ten ayırt edebilecektir.
• Gerçek dünya problemlerini çözmek için gelişmiş Reinforcement Learning algoritmalarını uygulayabilecektir.
• Bir Deep Learning Aracısı oluşturabilecektir.

Tür : Öğrencilerle önceden belirlenmiş uygulamalarla Lasagne veya Keras üzerinde teorik eğitim

Öğretim yöntemi: sunum, tartışma ve vaka çalışmaları

Yapay zeka, birçok bilimsel alanı alt üst ettikten sonra, çok sayıda ekonomik sektörde (sanayi, tıp, iletişim vb.) devrim yaratmaya başladı. Ancak, büyük medyada sunumu genellikle gerçek Machine Learning veya Deep Learning alanlarından çok uzak, bir fanteziye dayanmaktadır. Bu eğitimin amacı, zaten bilgisayar araçlarında (yazılım programlama temelleri dahil) ustalık sahibi mühendislere Deep Learning ve çeşitli uzmanlık alanlarına ve dolayısıyla günümüzde mevcut olan ana ağ mimarilerine bir giriş sağlamaktır. Ders sırasında matematik temelleri hatırlatılsa da, daha rahat bir öğrenim için BAC+2 seviyesinde bir matematik bilgisi önerilir. Matematik eksenini tamamen göz ardı ederek yalnızca "sistem" vizyonunu korumak mümkün olsa da, bu yaklaşım konuyu anlamanızı büyük ölçüde sınırlayacaktır.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, görüntü tanıma için evrişimli bir sinir ağı tasarlamak, oluşturmak ve görselleştirmek için Matlab'ı nasıl kullanacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenme modeli oluşturmak
• Veri etiketlemeyi otomatikleştirmek
• Caffe ve TensorFlow-Keras kaynaklarından gelen modellerle çalışmak
• Birden fazla GPU, bulut veya kümeler kullanarak verileri eğitmek

Hedef Kitle

• Geliştiriciler
• Mühendisler
• Alan uzmanları

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, alıştırmalar ve yoğun uygulamalı çalışma

Bu eğitim, sinir ağlarının temellerini ve uygulamalarını öğrenmek isteyen kişilere yöneliktir.

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake with relevant neural and deep network libraries

Bu kurs, R-project yazılımını kullanarak gerçek dünya problemlerine sinir ağlarını uygulama konusunda bir giriş niteliğindedir.

Bu eğitmen liderliğindeki, canlı eğitimde Türkiye'da, katılımcılar, kendi yapay zeka uygulamalarının performansını en üst düzeye çıkarmak için TPU işlemcilerindeki yeniliklerden nasıl yararlanacaklarını öğreneceklerdir.

Eğitimin sonunda katılımcılar şunları yapabilecektir:

• Büyük miktarda veride çeşitli türde sinir ağlarını eğitebilirler.
• TPU'ları kullanarak çıkarım sürecini iki kat hızlandırabilirler.
• Görüntü araması, bulut görüşü ve fotoğraflar gibi yoğun uygulamaları işlemek için TPU'ları kullanabilirler.

Bu kurs, sinir ağları ve genel olarak makine öğrenimi algoritmaları, derin öğrenme (algoritmalar ve uygulamalar) konusunda kavramsal bilgi vererek başlar.

Bu eğitimin %40'lık ilk bölümü temellere daha çok odaklanacak, ancak doğru teknolojiyi seçmenize yardımcı olacaktır: TensorFlow, Caffe, Theano, DeepDrive, Keras vb.

Bu eğitimin %20'lik ikinci bölümü, derin öğrenme modellerini yazmayı kolaylaştıran bir python kütüphanesi olan Theano'yu tanıtacaktır.

Bu eğitimin %40'lık üçüncü bölümü, Deep Learning için açık kaynaklı yazılım kütüphanesi olan Google'nin 2. Nesil API'si olan Tensorflow'a yoğun bir şekilde dayanacaktır. Örnekler ve uygulamalı çalışmaların tamamı TensorFlow içinde yapılacaktır.

Hedef Kitle

Bu kurs, Deep Learning projelerinde TensorFlow kullanmak isteyen mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• derin sinir ağları (DNN), CNN ve RNN konusunda iyi bir anlayışa sahip olacaklar

• TensorFlow'ün yapısını ve dağıtım mekanizmalarını anlayacaklar

• kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecekler

• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler

• modeller eğitmek, grafikler oluşturmak ve günlük kaydı tutmak gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler