Desen Tanıma 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 kurs, yapay zekayı ve uygulamalarını 4 günde tanıtan bir eğitimdir. Bu kursu tamamladıktan sonra, isteğe bağlı olarak bir yapay zeka projesi gerçekleştirmek için ek bir gününüz olabilir.

Bu kurs, yapay zekayı ve Python programlama dili kullanılarak yapay zekanın uygulamalarını tanıtan 4 günlük bir eğitimdir. Bu kursun tamamlanmasının ardından bir yapay zeka projesi gerçekleştirmek için ek bir gün seçeneği bulunmaktadır.

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 Ağı, "akıllı" görevleri gerçekleştirebilen Yapay Zeka (AI) sistemlerinin geliştirilmesinde kullanılan bir hesaplama veri modelidir. Sinir Ağları genellikle Makine Öğrenimi (ML) uygulamalarında kullanılır, ki bunlar da AI'nin kendi kendini gerçekleştiren bir parçasıdır. Derin Öğrenme, ML'nin alt kümelerindendir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Chainer kullanarak Python içinde sinir ağları oluşturmak ve eğitmek isteyen araştırmacılara ve geliştiricilere yöneliktir; böylece kodun hata ayıklanması kolaylaşır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sinir ağı modelleri geliştirmeye başlamak için gerekli geliştirme ortamını kurmak.
• Anlaşılır kaynak kodu kullanarak sinir ağı modellerini tanımlamak ve uygulamak.
• Yüksek performans için GPUlerden yararlanarak derin öğrenme eğitim modellerini optimize etmek için örnekleri yürütmek ve mevcut algoritmaları değiştirmek.

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 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

Eğitim, nöral ağların temellerini ve uygulamalarını öğrenmek isteyen kişiler için tasarlanmıştır.

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

Pattern Matching, bir görüntü içinde belirli desenleri bulmak için kullanılan bir tekniktir. Bu teknik, bir üretim hattında arızalı bir ürün üzerinde beklenen etiketin varlığını veya bir bileşenin belirlenen boyutlarının olup olmadığını tespit etmek gibi, yakalanmış bir görüntüde belirli özelliklerin varlığını belirlemek için kullanılabilir. "Pattern Recognition" (daha geniş ilgili örnek koleksiyonlarına dayalı genel desenleri tanır) ile farklı olarak, Pattern Matching aramamız gerekeni açıkça belirtir ve ardından beklenen desenin var olup olmadığını söyler.

Kurs Formatı

• Bu kurs, pattern matching'in Machine Vision alanında kullanımıyla ilgili yaklaşımları, teknolojileri ve algoritmalarını tanıtır.

Bu kurs, R-proje yazılımı kullanarak sinir ağlarını gerçek hayat problemlerine uygulamaya girişレベルが設定されていないので、ここでは「introduction」を土耳其语に翻訳します。