Dolandırıcılık Tespiti Python ve TensorFlow ile Eğitimi

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 eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), büyük veri kümelerini oluşturmak, ölçeklendirmek ve analiz etmek için Dask'i Python ekosistemi ile kullanmak isteyen veri bilimcileri ve yazılım mühendislerini hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Dask ve Python ile büyük veri işleme için ortamı kurmak.
• Dask'de bulunan özellikleri, kitaplıkları, araçları ve API'leri keşfetmek.
• Dask'in Python içinde paralel işlemeyi nasıl hızlandırdığını anlamak.
• Python ekosistemini (Numpy, SciPy ve Pandas) Dask kullanarak nasıl ölçeklendireceğini öğrenmek.
• Büyük veri kümelerini işlerken yüksek performansı korumak için Dask ortamını optimize etmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), veri analizi ve manipülasyonu becerilerini Pandas ve NumPy kullanarak geliştirmek isteyen orta seviyedeki Python geliştiriciler ve veri analistlerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Python, Pandas ve NumPy içeren bir geliştirme ortamı kurmak.
• Pandas ve NumPy kullanarak bir veri analizi uygulaması oluşturmak.
• Gelişmiş veri düzenleme, sıralama ve filtreleme işlemleri gerçekleştirmek.
• Toplu işlemler yürütmek ve zaman serisi verilerini analiz etmek.
• Matplotlib ve diğer görselleştirme kütüphanelerini kullanarak verileri görselleştirmek.
• Veri analizi kodlarını ayıklamak ve optimize etmek.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Türkiye konumunda, bir dizi resmi işleyen ve açıklamalar üreten bir uygulama oluştururken NLP için Python kütüphanelerini kullanmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NLP için DL'yi Python kütüphanelerini kullanarak tasarlayıp kodlayabilme.
• Önemli miktarda resim koleksiyonunu okuyup anahtar kelimeler üreten Python kodu oluşturabilme.
• Algılanan anahtar kelimelerden açıklamalar üreten Python kodu oluşturabilme.

Hedef Kitle

Bu kurs, bilgisayar görüntülerini analiz etmek için mevcut araçları (çoğunlukla açık kaynaklı) kullanmakla ilgilenen Deep Learning araştırmacılar ve mühendisler için uygundur.

Bu kurs, çalışan örnekler sunmaktadır.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), FARM (FastAPI, React ve MongoDB) yığınını kullanarak dinamik, yüksek performanslı ve ölçeklenebilir web uygulamaları oluşturmak isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• FastAPI, React ve MongoDB'yı entegre eden gerekli geliştirme ortamını kurmak.
• FARM yığınının temel kavramlarını, özelliklerini ve faydalarını anlamak.
• FastAPI ile REST API'leri nasıl oluşturacaklarını öğrenmek.
• React ile etkileşimli uygulamaları nasıl tasarlayacaklarını öğrenmek.
• FARM yığınını kullanarak uygulamaları (ön uç ve arka uç) geliştirmek, test etmek ve dağıtmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), RESTful API'leri daha kolay ve hızlı bir şekilde oluşturmak, test etmek ve dağıtmak için FastAPI ile Python'i kullanmak isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• FastAPI ve Python ile API'ler geliştirmek için gerekli geliştirme ortamını kurmak.
• FastAPI kütüphanesini kullanarak API'leri daha hızlı ve kolay bir şekilde oluşturmak.
• Pydantic ve OpenAPI temelinde veri modelleri ve şemaları oluşturmayı öğrenmek.
• SQLAlchemy kullanarak API'leri bir veritabanına bağlamak.
• FastAPI araçlarını kullanarak API'lerde güvenlik ve kimlik doğrulama uygulamak.
• Web API'lerini bir bulut sunucusuna dağıtmak için konteyner imajları oluşturmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), daha hızlı veri analizi için Pandas ile paralel hesaplamalar oluşturmak ve uygulamak isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Modin ile ölçeklenebilir Pandas iş akışlarını geliştirmek için gerekli ortamı kurmak.
• Modin'in özelliklerini, mimarisini ve avantajlarını anlamak.
• Modin, Dask ve Ray arasındaki farkları bilmek.
• Modin ile Pandas işlemlerini daha hızlı gerçekleştirmek.
• Tüm Pandas API'sini ve işlevlerini uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), tahminciler, sınıflandırıcılar, üretici modeller, sinir ağları ve benzerlerini oluşturmak için Tensorflow 2.x'i kullanmak isteyen geliştiriciler ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TensorFlow 2.x'i kurmak ve yapılandırmak.
• TensorFlow 2.x'in önceki sürümlere göre avantajlarını anlamak.
• Derin öğrenme modelleri oluşturmak.
• Gelişmiş bir görüntü sınıflandırıcısı uygulamak.
• Bir derin öğrenme modelini buluta, mobil cihazlara ve IoT cihazlarına dağıtmak.

Bu eğitmen liderliğindeki, canlı eğitimde (Türkiye – çevrimiçi veya yerinde), katılımcılar, makine öğrenimi modellerini üretim ortamında dağıtmak ve yönetmek için TensorFlow Serving'i nasıl yapılandıracaklarını ve kullanacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Farklı TensorFlow modellerini train, export ve serve etme.
• Tek bir mimari ve API seti kullanarak algoritmaları test etme ve dağıtma.
• TensorFlow modellerinden başka model türlerini sunmak için TensorFlow Serving'i genişletme.

TensorFlow, Google'nin Deep Learning için geliştirdiği açık kaynaklı yazılım kütüphanesinin 2. Nesil API'sidir. Sistem, makine öğrenimi araştırmalarını kolaylaştırmak ve araştırma prototipinden üretim sistemine geçişi hızlı ve kolay hale getirmek için tasarlanmıştır.

Hedef Kitle

Bu kurs, TensorFlow'yı Deep Learning projelerinde kullanmak isteyen mühendisler için hazırlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• TensorFlow'nın yapısını ve dağıtım mekanizmalarını anlayacaklar
• kurulum, üretim ortamı ve mimari görevlerini ve yapılandırmasını gerçekleştirebilecekler
• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler
• model eğitimi, grafik oluşturma ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler

Bu kurs, Tensor Flow'un görüntü tanıma amaçları için uygulanmasını, belirli örneklerle birlikte incelemektedir.

Hedef Kitle

Bu kurs, TensorFlow'yı görüntü tanıma amaçları için kullanmak isteyen mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar şunları yapabilecektir:

• TensorFlow'nın yapısını ve dağıtım mekanizmalarını anlayabilecektir.
• Kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecektir.
• Kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecektir.
• Modelleri eğitme, grafikler oluşturma ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecektir.

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.

TensorFlow™, sayısal hesaplama için veri akışı grafikleri kullanan açık kaynaklı bir yazılım kütüphanesidir.

SyntaxNet, TensorFlow için sinir ağı tabanlı Doğal Dil İşleme (NLP) çerçevesidir.

Word2Vec, kelimelerin vektör temsillerini öğrenmek için kullanılır; bu temsiller "kelime gömme" olarak adlandırılır. Word2vec, ham metinden kelime gömmeleri öğrenmek için özellikle hesaplama açısından verimli bir tahmini modeldir. Mikolov ve diğerlerinin 3.1 ve 3.2. bölümlerinde açıklanan Sürekli Torba-Wordler modeli (CBoW) ve Atla-Gram modeli olmak üzere iki çeşidi bulunur.

Birlikte kullanıldığında, SyntaxNet ve Word2Vec, kullanıcıların Doğal Dil girdisinden Öğrenilmiş Gömme modelleri oluşturmasına olanak tanır.

Hedef Kitle

Bu kurs, SyntaxNet ve Word2Vec modellerini TensorFlow grafiklerinde kullanmak isteyen geliştiriciler ve mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• TensorFlow'in yapısını ve dağıtım mekanizmalarını anlayacaklar
• kurulum / üretim ortamı / mimari görevlerini ve yapılandırmayı gerçekleştirebilecekler
• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler
• modeller eğitmek, terimleri gömmek, grafikler oluşturmak ve günlük kaydı oluşturmak gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler

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