Sahtecilik Tespiti ile Python ve TensorFlow 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 yönlü, canlı eğitim Türkiye (çevrimiçi veya yerinde) orta düzeyde Python geliştiricilerine ve veri analistlerine Pandas ve NumPy kullanarak veri analiz ve manipülasyon becerilerini geliştirmeleri hedeflenmektedir.

Bu eğitimin sonunda katılımcılar:

• Python, Pandas ve NumPy içeren bir geliştirme ortamını kuracaklardır.
• Pandas ve NumPy kullanarak veri analiz uygulaması oluşturacaklardır.
• Gelişmiş veri manipülasyonu, sıralama ve filtreleme işlemlerini gerçekleştireceklerdir.
• Ağregasyon işlemlerini yapacak ve zaman serisi verilerini analiz edeceklerdir.
• Matplotlib ve diğer görselleştirme kütüphaneleri kullanarak veriyi görselleştireceklerdir.
• Veri analiz kodlarını hata ayıklama ve optimize edeceklerdir.

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 eğitimin öncülünde bulunan, canlı eğitimde Türkiye (çevrimiçi veya yerinde), katılımcılar TensorFlow Serving'i nasıl yapılandırıp kullanacaklarını öğrenecektir ve üretim ortamında ML modellerini dağıtmayı ve yönetmeyi öğreneceklerdir.

Bu eğitimin sonunda, katılımcılar:

• Farklı TensorFlow modellerini eğitebilecek, ihrac edebilecek ve sunabilecektir.
• Tek bir mimari ve API kümesi kullanarak algoritmaları test edebilecek ve dağıtabilecektir.
• TensorFlow Serving'i TensorFlow modellerinin ötesinde diğer türlerde modelleri sunmak için genişletebilecektir.

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 eğitim (Türkiye çevrimiçi veya yerinde), tek bir ML modelini eğitmekten, birçok ML modelini üretime sunmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TFX ve destekleyici üçüncü taraf araçlarını kurmak ve yapılandırmak.
• TFX'i kullanarak eksiksiz bir ML üretim hattı oluşturmak ve yönetmek.
• Modelleme, eğitim, çıkarım sunumu ve dağıtım yönetimi gerçekleştirmek için TFX bileşenleriyle çalışmak.
• Makine öğrenimi özelliklerini web uygulamalarına, mobil uygulamalara, IoT cihazlarına ve daha fazlasına dağıtmak.

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 ağlarına ve genellikle makine öğrenimi algoritmalarına, derin öğrenmeye (algoritmalar ve uygulamalar) kavramsal bilgi vermekle başlar.

Bu eğitimdeki 1. Bölüm (%40), temel konulara odaklanır ancak doğru teknolojiyi seçmenize yardımcı olacaktır: TensorFlow, Caffe, Theano, DeepDrive, Keras vb.

2. Bölüm (%20) bu eğitimde Theano - derin öğrenim modellerini yazmayı kolaylaştıran bir Python kütüphanesi - tanıtır.

3. Bölüm (%40), Google'ın açık kaynak kodlu yazılım kitaplığı olan TensorFlow'un API'sine dayanır ve eğitim yoğun şekilde bu konuda olacaktır. Örnekler ve uygulamalar tamamen TensorFlow kullanılarak yapılacaktır.

Hedef Kitle

Bu kurs, Derin Öğrenim projeleri için TensorFlow kullanmayı planlayan mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• derin sinir ağları (DNN), CNN ve RNN hakkında iyi bir anlayışa sahip olacaklardır.
• TensorFlow'ın yapısını ve dağıtım mekanizmalarını anlayacaklardır.
• kurulum / üretim ortamı / mimari görevleri ve yapılandırmayı gerçekleştirebileceklerdir.
• kod kalitesini değerlendirebilir, hata ayıklama ve izleme işlemlerini gerçekleştirebileceklerdir.
• ileri düzey üretim görevleri gibi model eğitimi, grafik oluşturma ve kaydetme gibi işlemleri uygulayabileceklerdir.