Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
Kurs, üç ayrı gün şeklinde düzenlenmiştir, üçüncü gün isteğe bağlıdır.
1. Gün - Machine Learning & Deep Learning: Teorik kavramlar
1. Yapay Zeka (YZ) Giriş, Machine Learning & Deep Learning
- Tarihçe, yapay zekanın temel kavramları ve bu alandaki fantastik beklentilerden uzak, yaygın uygulamaları
- Kolektif zeka: birçok sanal aracın paylaştığı bilgiyi bir araya getirme
- Genetik algoritmalar: sanal aracılardan oluşan bir popülasyonu seçilim yoluyla evrimleştirmek
- Yaygın Machine Learning kullanımı: tanım.
- Görev türleri: denetimli öğrenme, denetimsiz öğrenme, pekiştirmeli öğrenme
- Eylem türleri: sınıflandırma, regresyon, kümeleme, yoğunluk tahmini, boyut azaltma
- Yaygın Machine Learning algoritmaları örnekleri: Doğrusal Regresyon, Naive Bayes, Rastgele Ağaç
- Makine öğrenimi VE Deep Learning: Random Forest ve XGBoost'lar ile günümüzde en son teknoloji olan sorunlar
2. Sinir ağının temel kavramları (Uygulama: çok katmanlı algılayıcı)
- Matematiksel temellerin tekrarı.
- Sinir ağının tanımı: klasik mimari, aktivasyon fonksiyonları ve önceki aktivasyonların ağırlıklandırılması, ağın derinliği
- Sinir ağının öğreniminin tanımı: maliyet fonksiyonları, geri yayılım, stokastik gradyan inişi, maksimum olabilirlik.
- Sinir ağının modellenmesi: regresyon, sınıflandırma vb. problem türlerine göre giriş ve çıkış verilerinin modellenmesi. Boyutsallığın laneti. Çok özellikli veri ile sinyal arasındaki ayrım. Veriye göre maliyet fonksiyonunun seçimi.
- Bir fonksiyonu sinir ağı ile yaklaşık olarak hesaplama: sunum ve örnekler
- Bir dağılımı sinir ağı ile yaklaşık olarak hesaplama: sunum ve örnekler
- Veri artırma: bir veri kümesini dengeleme
- Sinir ağının sonuçlarının genelleştirilmesi.
- Sinir ağının başlatılması ve düzenlenmesi: L1/L2 düzenlemesi, Yığın Normalleştirme...
- Optimizasyonlar ve yakınsama algoritmaları.
3. Yaygın ML / DL araçları
Basit bir sunum, avantajları, dezavantajları, ekosistemdeki konumu ve kullanımı ile planlanmıştır.
- Veri yönetimi araçları: Apache Spark, Apache Hadoop
- Yaygın Machine Learning araçları: Numpy, Scipy, Sci-kit
- Yüksek seviyeli DL çerçeveleri: PyTorch, Keras, Lasagne
- Düşük seviyeli DL çerçeveleri: Theano, Torch, Caffe, Tensorflow
2. Gün - Evrişimli ve yinelemeli ağlar
4. Evrişimli Sinir Ağları (ESA).
- ESA'ların sunumu: temel prensipler ve uygulamalar
- ESA'nın temel işleyişi: evrişimli katman, çekirdek kullanımı, dolgu ve adım, özellik haritalarının oluşturulması, 'havuzlama' tipi katmanlar. 1D, 2D ve 3D uzantıları.
- Görüntü sınıflandırmada en son teknolojiye katkıda bulunan farklı ESA mimarileri: LeNet, VGG Ağları, Ağ İçinde Ağ, Inception, Resnet. Her mimarinin getirdiği yeniliklerin ve daha geniş uygulamalarının sunumu (1x1 Evrişim veya artık bağlantılar)
- Dikkat modelinin kullanımı.
- Yaygın bir sınıflandırma durumuna uygulama (metin veya görüntü)
- ESA'lar için üretme: süper çözünürlük, piksel bazında segmentasyon. Bir görüntü oluşturmak için özellik haritalarını artırmanın temel stratejilerinin sunumu.
5. Yinelemeli Sinir Ağları (YSA).
- YSA'ların sunumu: temel prensipler ve uygulamalar.
- YSA'nın temel işleyişi: gizli aktivasyon, zaman içinde geri yayılım, açılmış versiyon.
- GRU'lara (Kapılı Yinelemeli Birimler) ve LSTM'lere (Uzun Kısa Süreli Bellek) doğru evrim. Bu mimarilerin getirdiği farklı durumların ve evrimlerin sunumu
- Yakınsama ve kaybolan gradyan sorunları
- Klasik mimariler: Zaman serisi tahmini, sınıflandırma...
- YSA Kodlayıcı-Çözücü mimarisi. Dikkat modelinin kullanımı.
- NLP uygulamaları: kelime/karakter kodlama, çeviri.
- Video uygulamaları: bir video dizisinden oluşturulan bir sonraki görüntünün tahmini.
3. Gün - Üretici modeller ve Pekiştirmeli Öğrenme
6. Üretici modeller: Varyasyonel Otomatik Kodlayıcı (VOK) ve Üretici Çekişmeli Ağlar (ÜÇA).
- Üretici modellerin sunumu, 2. günde görülen ESA'lar ile bağlantı
- Otomatik kodlayıcı: boyut azaltma ve sınırlı üretme
- Varyasyonel Otomatik Kodlayıcı: üretici model ve bir verinin dağılımının yaklaşık olarak hesaplanması. Gizli alanın tanımı ve kullanımı. Yeniden parametreleme hilesi. Uygulamalar ve gözlemlenen sınırlamalar
- Üretici Çekişmeli Ağlar: temel prensipler. İki ağlı (üretici ve ayrımcı) mimari, alternatif öğrenme, mevcut maliyet fonksiyonları.
- ÜÇA yakınsaması ve karşılaşılan zorluklar.
- Geliştirilmiş yakınsama: Wasserstein ÜÇA, BeGAN. Dünya Hareket Mesafesi.
- Görüntü veya fotoğraf üretme, metin üretme, süper çözünürlük uygulamaları.
7. Derin Pekiştirmeli Öğrenme.
- Pekiştirmeli öğrenmenin sunumu: bir durumu ve olası eylemleri tanımlayan bir ortamda bir aracın kontrolü
- Durum fonksiyonunu yaklaşık olarak hesaplamak için bir sinir ağının kullanılması
- Derin Q Öğrenimi: deneyim tekrarı ve bir video oyununu kontrol etmek için uygulama.
- Öğrenme politikasının optimizasyonu. Politika tabanlı ve değer tabanlı. Aktör-Eleştirmen mimarisi. A3C.
- Basit bir video oyununu veya dijital sistemi kontrol etmek için uygulamalar.
Kurs İçin Gerekli Önbilgiler
Mühendislik Seviyesi
21 Saat
Danışanlarımızın Yorumları (2)
Organizasyon, önerilen jenerale uygun olarak, eğitim verenin bu konudaki geniş bilgisi ile
Ali Kattan - TWPI
Eğitim - Natural Language Processing with TensorFlow
Yapay Zeka Çevirisi
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Eğitim - TensorFlow for Image Recognition
Yapay Zeka Çevirisi
