TensorFlow 2 ile Derin Öğrenme Eğitimi

Giriş

• TensorFlow ve derin öğrenmeye giriş
• TensorFlow kullanım senaryoları ve uygulamaları
• TensorFlow ekosistemi ve araçları
• Makine öğrenmesi ve derin öğrenme iş akışları
• Ders amaçları ve uygulamalı egzersizlerin genel bakışı

TensorFlow 2.x ve Önceki Sürümler - Yeni Neler Var?

• TensorFlow 1.x ile 2.x arasındaki temel farklılıklar
• Acil yürütme (Eager execution)
• Basitleştirilmiş API'ler ve iyileştirilmiş kullanılabilirlik
• Model oluşturma ve eğitimdeki değişiklikler
• Yüksek seviye API olarak Keras'a giriş
• Mevcut TensorFlow uygulamaları için geçiş hususları
• TensorFlow 2.x en iyi uygulamaları

TensorFlow 2.x Kurulumu

• TensorFlow'u kurma
• Python ortamını yapılandırma
• TensorFlow kurulumunu doğrulama
• Gerekli bağımlılıkları kurma ve yönetme
• CPU ve GPU ortamlarını yapılandırma
• Jupyter defterlerinde TensorFlow kullanma
• Temel TensorFlow komutları ve işlemleri
• Kurulum ve yapılandırma sorunlarını giderme

TensorFlow 2.x Özellikleri ve Mimarisinin Genel Bakışı

• TensorFlow mimarisi ve çekirdek bileşenler
• Tensörler ve tensör işlemleri
• Değişkenler ve sabitler
• Hesap grafikleri ve acil yürütme
• Otomatik türevleme
• TensorFlow API'leri ve modülleri
• Keras entegrasyonu
• tf.data ile veri boru hatları
• Model serileştirme ve TensorFlow SavedModel
• TensorFlow ekosistemi ve geliştirme iş akışı

Sinir Ağları Nasıl Çalışır?

• Sun'i sinir ağlarının temelleri
• Nöronlar, katmanlar ve ağ mimarileri
• Aktivasyon fonksiyonları
• İleri yayılım
• Kayıp fonksiyonları
• Geri yayılım
• Gradient inişi ve optimizasyon
• Öğrenme oranları ve optimizasyon stratejileri
• Aşırı sığma (overfitting) ve yetersiz sığma (underfitting)
• Düzenleme teknikleri
• Eğitim, doğrulama ve test veri kümeleri

Derin Öğrenme Modelleri Oluşturmak İçin TensorFlow 2.x Kullanımı

• Tensör ve değişken oluşturma
• Keras ile sinir ağı inşası
• Sıralı (Sequential) ve fonksiyonel model API'leri
• Özel modeller ve katmanlar tanımlama
• Optimizatörleri yapılandırma
• Uygun kayıp fonksiyonlarını seçme
• fit() ile modelleri eğitme
• Özel eğitim döngüleri
• Geri bildirimler (callbacks) ve eğitim izleme
• Model kontrol noktalarını (checkpoints) yönetme

Veri Analizi

• Makine öğrenmesi için veri kümelerini anlama
• Yapılandırılmış ve yapılandırılmamış verileri keşfetme
• Veri görselleştirme
• Desenleri ve anomalileri belirleme
• Eksik ve tutarsız verilerle başa çıkma
• Verileri eğitim, doğrulama ve test setlerine ayırma
• İlgili özellikleri (features) seçme
• TensorFlow modelleri için veri kümelerini hazırlama

Veri Ön İşleme

• Veri normalizasyonu ve standartlaştırma
• Kategorik verileri kodlama
• Eksik değerlerle başa çıkma
• Özellik ölçekleme
• Görüntü ön işleme
• Metin ön işleme
• Veri artırma (data augmentation)
• Verimli girdi boru hatları oluşturma
• tf.data kullanma
• Toplama (batching), karıştırma (shuffling), önbelleğe alma (caching) ve ön yükleme (prefetching)
• Verileri model eğitimi için hazırlama

Bir Model İnşa Etmek

• Uygun bir sinir ağı mimarisi seçme
• Model girdileri ve çıktıları tanımlama
• Sık (dense) sinir ağları oluşturma
• Aktivasyon fonksiyonlarını seçme
• Modeli eğitim için yapılandırma
• Optimizatörleri ve kayıp fonksiyonlarını seçme
• Modeli eğitme ve doğrulama
• Eğitim metriklerini izleme
• Model performansını iyileştirme
• Aşırı sığmayı önleme
• Düzenleme ve dropout uygulama

State-of-the-Art Bir Görüntü Sınıflandırıcısı Uygulamak

• Görüntü sınıflandırmasının temelleri
• Görüntü veri kümelerini hazırlama
• Görüntü normalizasyonu ve artırma
• Convolutional (sarmal) sinir ağları
• Sarmal (convolution) ve havuzlama (pooling) katmanları
• Bir görüntü sınıflandırma mimarisi tasarlamak
• Aktarım öğrenme (Transfer learning)
• Önceden eğitilmiş modelleri kullanma
• Önceden eğitilmiş ağları ince ayar yapmak (fine-tuning)
• Gelişmiş bir görüntü sınıflandırıcısı oluşturma
• Sınıflandırma performansını değerlendirme

Modeli Eğitmek

• Eğitim parametrelerini yapılandırma
• Toplam boyutu (batch size) ve epoch sayısı
• Optimizatör seçimi
• Öğrenme oranı zamanlaması (scheduling)
• Eğitim geri bildirimleri
• Erken durdurma (Early stopping)
• Model kontrol noktalarını oluşturma
• Eğitim ilerlemesini izleme
• Aşırı sığmayı tespit etme
• Eğitim performansını iyileştirme
• Dağıtık eğitim hususları

GPU'da mı Yoksa TPU'da mı Eğitmek

• CPU, GPU ve TPU mimarileri
• Donanım hızlandırmasının avantajları
• TensorFlow'u GPU eğitimi için yapılandırma
• TPU tabanlı eğitimi anlama
• Farklı iş yükleri için donanım seçimi
• Hesaplamaları cihazlar arasında taşıma
• Bellek ve hesaplama kaynaklarını yönetme
• Eğitim performansını karşılaştırma
• Dağıtık ve hızlandırılmış eğitim stratejileri

Modeli Değerlendirmek

• Uygun değerlendirme metriklerini seçme
• Doğruluk, hassasiyet (precision), geri çağırma (recall) ve F1 skoru
• Regresyon değerlendirme metrikleri
• Kaşış matrisleri (Confusion matrices)
• Doğrulama stratejileri
• Sınıflandırma modellerini değerlendirme
• Model genelleştirme yeteneğini değerlendirme
• Model zayıflıklarını belirleme
• Farklı model yapılandırmalarını karşılaştırma

Tahminlerde Bulunmak

• Çıkarım (inference) için eğitilmiş modelleri kullanma
• Yeni girdi verilerini hazırlama
• Toplu ve bireysel tahminler yapma
• Model çıktılarını yorumlama
• Sınıflandırma olasılıkları
• Regresyon tahminleri
• Bir çıkarım iş akışı oluşturma
• Yeni görülen verilerle başa çıkma
• Tahmin boru hatlarını yönetme

Tahminleri Değerlendirmek

• Tahmin kalitesini analiz etme
• Tahminleri beklenen sonuçlarla karşılaştırma
• Yanlış pozitif ve yanlış negatifleri belirleme
• Hata analizi
• Model güvenini değerlendirme
• Tahmin sonuçlarını görselleştirme
• Veri ve tahmin önyargılarını tespit etme
• Tahmin analizine dayalı model performansını iyileştirme

Modeli Hata Ayıklama (Debugging)

• Yaygın eğitim sorunlarını belirleme
• Yanlış tahminleri teşhis etme
• Veri boru hatlarını hata ayıklama
• Kayıp ve metrik davranışını inceleme
• Patlayan ve kaybolan gradyanları tespit etme
• Aşırı sığma ve yetersiz sığmayı teşhis etme
• Model katmanlarını ve çıktıları inceleme
• TensorFlow hata ayıklama ve profil oluşturma araçlarını kullanma
• Model kararlılığını ve performansını iyileştirme

Modeli Kaydetmek

• Eğitilmiş modelleri kaydetme
• TensorFlow SavedModel formatı
• Model ağırlıklarını kaydetme ve geri yükleme
• Model mimarisini ve yapılandırmasını kaydetme
• Çıkarım için modelleri yükleme
• Model sürümleme
• D dağıtım için modelleri dışa aktarma
• Model artefaktlarını yönetme
• Modelleri üretim ortamları için hazırlama

Modeli Buluta Dağıtmak

• Bulut tabanlı model dağıtımına giriş
• TensorFlow modellerini üretim için hazırlama
• API'ler aracılığıyla model sunma
• Model sunum (serving) kavramları
• TensorFlow uygulamalarını konteynerleştirmme
• Bulut tabanlı çıkarım
• Model sunma iş yüklerini ölçeklendirme
• Dağıtılmış modelleri izleme
• Model sürümlerini yönetme
• Üretim dağıtımına ilişkin hususlar

Modeli Mobil Bir Cihaza Dağıtmak

• Mobil makine öğrenmesinin zorlukları
• TensorFlow Lite
• Mobil dağıtım için TensorFlow modellerini dönüştürme
• Model optimizasyonu ve boyut küçültme
• Kantizasyon (Quantization)
• Mobil cihazlarda çıkarım yapma
• Mobil cihaz kaynaklarını yönetme
• Modelleri mobil uygulamalara entegre etme
• Mobil çıkarım performansını test etme

Modeli Yerleşik Bir Sisteme (IoT) Dağıtmak

• Yerleşik cihazlarda makine öğrenmesi
• Yerleşik uygulamalar için TensorFlow Lite
• Kaynak kısıtları ve optimizasyon
• Model boyutunu ve hesaplama gereksinimlerini azaltma
• Kenar (Edge) çıkarımı
• Sensör ve gerçek zamanlı veri işleme
• Tahminleri yerel olarak yapma
• Güç ve bellek hususları
• TensorFlow modellerini IoT iş akışlarına entegre etme
• Kenar dağıtımlarını test etme ve izleme

Modeli Farklı Dillerle Entegre Etmek

• TensorFlow modeli etkileşimi (interoperability)
• API'ler aracılığıyla model sunma
• Farklı programlama ortamlarından TensorFlow modellerini kullanma
• Python tabanlı model entegrasyonu
• Modelleri web uygulamalarına entegre etme
• REST tabanlı hizmetler aracılığıyla model çıkarımı
• TensorFlow'u mevcut uygulamalara entegre etme
• Veri alışverişi ve serileştirme
• Üretim entegrasyonu hususları

Sorun Giderme

• TensorFlow kurulum sorunlarını teşhis etme
• Model oluşturma hatalarını giderme
• Veri ön işleme sorunlarını hata ayıklama
• Eğitim başarısızlıklarını çözme
• GPU ve TPU yapılandırma sorunlarını inceleme
• Bellek ve performans sorunlarını teşhis etme
• Model yükleme ve kaydetme sorunlarını giderme
• Dağıtım sorunlarını hata ayıklama
• Uygulamalı sorun giderme egzersizleri

Özet ve Sonuç

• TensorFlow 2.x kavramlarının gözden geçirilmesi
• Sinir ağı ve derin öğrenme iş akışlarının gözden geçirilmesi
• Veri hazırlığı ve model geliştirme süreçlerinin gözden geçirilmesi
• Görüntü sınıflandırmasının gözden geçirilmesi
• Eğitim ve değerlendirme tekniklerinin gözden geçirilmesi
• Model hata ayıklama ve optimizasyonunun gözden geçirilmesi
• Bulut, mobil ve IoT dağıtımının gözden geçirilmesi
• TensorFlow geliştirme için en iyi uygulamalar
• Son uygulamalı egzersiz
• Soru ve cevap / Tartışma