Pratik Quantum Computing Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), yapay zeka yeteneklerini geliştirmek için kuantum hesaplamayı kullanmak isteyen ileri düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Hibrit yapay zeka-kuantum sistemlerini ve potansiyel uygulamalarını anlayabilecektir.
• Kuantum makine öğrenimi algoritmalarını uygulayabilecektir.
• Yapay zeka modellerini kuantum hesaplama kaynaklarını kullanarak optimize edebilecektir.
• Kuantum yapay zeka sistemlerinin ölçeklendirilmesi ve entegrasyonundaki zorlukların üstesinden gelebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), paketleri ve veri analizi iş akışlarını tek bir platformda yakalamak, yönetmek ve dağıtmak için Anaconda ekosistemini kullanmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Anaconda bileşenlerini ve kütüphanelerini kurmak ve yapılandırmak.
• Anaconda'ün temel kavramlarını, özelliklerini ve faydalarını anlamak.
• Anaconda Navigator kullanarak paketleri, ortamları ve kanalları yönetmek.
• Veri bilimi ve makine öğrenimi için Conda, R ve Python paketlerini kullanmak.
• Çoklu veri ortamlarını yönetmek için bazı pratik kullanım durumlarını ve teknikleri öğrenmek.

Genel Bakış

İletişim hizmeti sağlayıcıları (CSP'ler), mükemmel müşteri deneyimi sağlarken maliyetleri düşürme ve kullanıcı başına ortalama geliri (ARPU) en üst düzeye çıkarma konusunda baskı altındadır, ancak veri hacimleri artmaya devam etmektedir. Küresel mobil veri trafiği, 2016'ya kadar yıllık bileşik büyüme oranı (CAGR) olarak %78 artarak aylık 10,8 exabyte'a ulaşacaktır.

Bu arada, CSP'ler çağrı detay kayıtları (CDR), ağ verileri ve müşteri verileri dahil olmak üzere büyük miktarda veri üretmektedir. Bu verileri tam olarak kullanan şirketler rekabet avantajı elde etmektedir. The Economist Intelligence Unit tarafından yapılan son bir ankete göre, veri odaklı karar alma kullanan şirketler %5-6 oranında verimlilik artışı elde etmektedir. Ancak şirketlerin %53'ü değerli verilerinin yalnızca yarısını kullanmakta ve katılımcıların dörtte biri, çok miktarda kullanışlı verinin kullanılmadığını belirtmektedir. Veri hacimleri o kadar yüksektir ki manuel analiz imkansızdır ve çoğu eski yazılım sistemi ayak uyduramamaktadır, bu da değerli verilerin atılmasına veya göz ardı edilmesine neden olmaktadır.

Big Data & Analytics’in yüksek hızlı, ölçeklenebilir büyük veri yazılımıyla, CSP'ler daha kısa sürede daha iyi karar almak için tüm verilerini çıkarabilirler. Farklı Big Data ürünleri ve teknikleri, büyük verilerden içgörüler toplamak, hazırlamak, analiz etmek ve sunmak için uçtan uca bir yazılım platformu sağlar. Uygulama alanları arasında ağ performansı izleme, dolandırıcılık tespiti, müşteri kaybı tespiti ve kredi risk analizi yer almaktadır. Big Data & Analytics ürünleri terabaytlarca veriyi işleyecek şekilde ölçeklenebilir, ancak bu tür araçların uygulanması Hadoop gibi yeni nesil bulut tabanlı veritabanı sistemleri veya devasa ölçekli paralel işlemci (KPU vb.) gerektirir.

Bu kurs, CSP'lerin verimlilik kazanımı için yatırım yaptığı ve yeni iş gelir akışları açtığı tüm yeni alanları kapsayan Big Data BI for Telco konusunu ele almaktadır. Kurs, karar vericilerin ve yöneticilerin Big Data BI'ın Telco'daki potansiyelini tam olarak anlamalarını sağlamak için Big Data BI'ın Telco'daki 360 derecelik kapsamlı bir genel bakışını sunacaktır.

Kurs Hedefleri

Kursun ana hedefi, Telecom Business'ün 4 sektöründe (Marketing/Satış, Ağ Operasyonları, Finansal Operasyonlar ve Müşteri İlişkileri Management) yeni Big Data iş zekası tekniklerini tanıtmakdır. Öğrencilere aşağıdakiler tanıtılacaktır:

• Big Data'ya giriş - Big Data'daki 4V (hacim, hız, çeşitlilik ve doğruluk) nedir - Telco perspektifinden oluşturma, çıkarma ve yönetme
• Big Data analitiğinin eski veri analitiğinden nasıl farklı olduğu
• Big Data'nın şirket içi gerekçelendirilmesi - Telco perspektifi
• Hadoop Ekosistemine giriş - Big Data sorunlarını çözmek için ne zaman ve nasıl kullanılacakları konusunda Hive, Pig, SPARC gibi tüm Hadoop araçlarına aşinalık
• Big Data'nın analitik araçlar için nasıl çıkarıldığı - Business Analysis'ün entegre Hadoop gösterge panosu yaklaşımı aracılığıyla veri toplama ve analizindeki sorun noktalarını nasıl azaltabileceği
• Telco için temel içgörü analitiği, görselleştirme analitiği ve tahmin analitiği tanıtımı
• Müşteri kaybı analitiği ve Big Data - Big Data analitiğinin Telco'da müşteri kaybını ve müşteri memnuniyetsizliğini nasıl azaltabileceği - vaka çalışmaları
• Ağ meta verilerinden ve IPDR'den ağ arızası ve hizmet arızası analitiği
• Satış ve operasyonel verilerden finansal analiz - dolandırıcılık, israf ve yatırım getirisi tahmini
• Müşteri edinme sorunu - hedef pazarlama, müşteri segmentasyonu ve satış verilerinden çapraz satış
• Tüm Big Data analitik ürünlerinin tanıtımı ve Telco analitik alanına nasıl uydukları
• Sonuç - Big Data Business Intelligence'yi kuruluşunuzda adım adım nasıl tanıtacağınız

Hedef Kitle

• Ağ operasyonları, Finansal Yöneticiler, CRM Yöneticileri ve Telco CIO ofisindeki üst düzey BT Yöneticileri.
• Telco'daki Business Analistleri
• CFO ofisi yöneticileri/analistleri
• Operasyonel Yöneticiler
• Kalite Güvence Yöneticileri

Bu Türkiye konumunda gerçekleştirilen, eğitmen liderliğindeki canlı eğitimde katılımcılar, kuantum bilgisayalarını hedefleyen algoritmaların geliştirilmesi sürecini adım adım takip ederek kuantum hesaplamanın temellerini öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kuantum devreleri oluşturmaya başlamak için gerekli geliştirme ortamını kurmak.
• Kapının yerel karşılığı kullanarak kapı davranışını kontrol etmek.
• Cirq kullanarak kübit doğruluğunu artırmak.
• NISQ tabanlı bir kuantum bilgisayar simülatöründe çalışacak bir kuantum devresi yazmak ve çalıştırmak.

Büyük veri, geleneksel veri işleme uygulama yazılımlarının yetersiz kaldığı kadar hacimli ve karmaşık veri kümeleridir. Büyük veri zorlukları arasında veri yakalama, veri depolama, veri analizi, arama, paylaşım, aktarım, görselleştirme, sorgulama, güncelleme ve bilgi gizliliği yer alır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), kuantum hesaplamanın temellerini anlamak, Google Willow’un yeteneklerini keşfetmek ve kuantum programlamaya nasıl başlayacaklarını öğrenmek isteyen yeni başlayan seviyedeki katılımcılara yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kuantum hesaplamanın ve kübitlerin prensiplerini anlayabilecektir.
• Google Willow ve kuantum hata düzeltmedeki ilerlemelerini keşfedebilecektir.
• Qiskit kullanarak temel kuantum programları yazıp çalıştırabilecektir.
• Kuantum hesaplamanın gerçek dünya uygulamalarını belirleyebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (online veya yerinde), Data Science kullanarak kariyerlerini geliştirmek isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Veri bilimi ve makine öğrenimi hakkında bilgi edinin.
• Veri analitiğini keşfedin.
• Kaggle hakkında bilgi edinin ve nasıl çalıştığını öğrenin.

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), ProjectQ hakkında bilgi edinmek ve bunu kuantum programları uygulamak için nasıl kullanacağını öğrenmek isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• ProjectQ'ün ne olduğunu ve ne için kullanıldığını öğrenmek.
• ProjectQ çerçevesini kullanarak kuantum programlama yapmak.
• Kuantum programlarını herhangi bir arka uca çevirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), kuantum hesaplamanın arkasındaki prensipleri anlamak ve bunları kuantum bilgisayarı uygulamaları için algoritmalar geliştirmede kullanmak isteyen bilgisayar bilimcileri ve mühendislerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kuantum hesaplamanın temellerini kavrayabilecek.
• Kuantum fiziği kavramlarını hesaplama yöntemlerine anlayabilecek ve uygulayabilecek.
• Kuantum bilgisayarlar için algoritmalar oluşturabilecek.
• Kuantum bilgisayarlar ile hesaplama problemlerini verimli bir şekilde çözebilecek.
• Mevcut hesaplama modellerine kuantum davranışlarını entegre edebilecek.
• Kuantum hesaplamanın diğer teknolojilerin ilerlemesindeki potansiyelini algılayabilecek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), temel düzeyden orta düzeydeki Yapay Zeka uzmanları ve Yapay Zeka araştırmacıları için tasarlanmıştır. Katılımcılar, Kuantum Yapay Zekanın temellerini ve potansiyel uygulamalarını anlamayı hedefleyecektir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kuantum mekaniğinin temel prensiplerini, kuantum hesaplamaya nasıl uygulandığını kavrayabilecektir.
• Kuantum algoritmalarının nasıl çalıştığını ve bunların nasıl uygulanacağını anlayabilecektir.
• Kuantum Yapay Zekanın çeşitli sektörlerde devrim yaratma potansiyelini fark edebilecektir.
• Temel bir kuantum makine öğrenimi modeli geliştirebilecektir.
• Kuantum Yapay Zekanın zorluklarını ve etik hususlarını değerlendirebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), şifreleme, lojistik ve finansal modelleme gibi sektörlerde kuantum hesaplamanın temellerini ve potansiyel etkisini anlamak ve kuantum hesaplamanın kendi sektörlerinde nasıl uygulanabileceğini öğrenmek isteyen yeni başlayan ve orta düzeydeki iş ve teknoloji liderlerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kubitler ve kuantum dolanıklığı dahil olmak üzere kuantum hesaplamanın temel prensiplerini anlayabilecektir.
• Şifreleme, lojistik ve finansal modellemede kuantum hesaplamanın potansiyel uygulamalarını belirleyebilecektir.
• Kuantum teknolojisinin mevcut sınırlamaları ve gelecekteki gelişmeleri hakkında fikir edinebilecektir.
• Kuantum algoritmalarının temellerini ve iş zorlukları üzerindeki etkilerini tanıyabilecektir.

Bu Türkiye konumunda gerçekleştirilen, eğitmen liderliğindeki canlı eğitimde katılımcılar, kuantum hesaplamanın temellerini ve Q#'u öğrenirken basit kuantum programlarının geliştirilmesi sürecini adım adım inceleyeceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Microsoft'in Kuantum Geliştirme Kitini kurmak ve yapılandırmak.
• Kuantum hesaplamanın arkasındaki kavramları anlamak.
• Q#, Visual Studio ve yerel bir kuantum hesaplama simülatörü kullanarak bir kuantum programı oluşturmak, test etmek, çalıştırmak ve sorun gidermek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), IBM Quantum Experience kullanarak bir kuantum devresi oluşturmak, düzenlemek ve çalıştırmak isteyen bilgisayar bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kuantum devreleri oluşturmaya başlamak için gerekli geliştirme ortamını kurmak.
• IBM Quantum Experience ve simülasyonlarını kullanarak kübitlerdeki hataları düzeltmek.
• Kapı davranışını, kapının yerel karşılığı kullanarak kontrol etmek.
• Kapı olaylarının zamanlamasını yapmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), RAPIDS kullanarak GPU hızlandırılmış veri işlem hatları, iş akışları ve görselleştirmeler oluşturmak isteyen veri bilimcileri ve geliştiricilere yöneliktir; XGBoost, cuML gibi makine öğrenimi algoritmalarını uygulayarak.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NVIDIA RAPIDS ile veri modelleri oluşturmak için gerekli geliştirme ortamını kurmak.
• RAPIDS’nin özelliklerini, bileşenlerini ve avantajlarını anlamak.
• Uçtan uca veri ve analiz işlem hatlarını hızlandırmak için GPU’ları kullanmak.
• cuDF ve Apache Arrow ile GPU hızlandırılmış veri hazırlama ve ETL uygulamak.
• XGBoost ve cuML algoritmalarıyla makine öğrenimi görevlerini nasıl gerçekleştireceğini öğrenmek.
• cuXfilter ve cuGraph ile veri görselleştirmeleri oluşturmak ve grafik analizi yapmak.