Introduction to Transfer Learning Eğitimi
Transfer öğrenimi, belirli bir görev için geliştirilen bir makine öğrenimi modelinin, ikinci bir görev için modelin başlangıç noktası olarak yeniden kullanıldığı bir makine öğrenimi tekniğidir. Bu kurs, transfer öğreniminin temel kavramlarına, metodolojilerine ve uygulamalarına bir giriş sunarak katılımcıların önceden eğitilmiş modelleri benzersiz görevlerine etkili bir şekilde uyarlamalarını sağlamaktadır.
Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), yapay zeka projelerinde verimliliği ve performansı artırmak için transfer öğrenimi tekniklerini anlamak ve uygulamak isteyen başlangıç seviyesinden orta seviyeye kadar makine öğrenimi uzmanlarına yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Transfer öğreniminin temel kavramlarını ve faydalarını anlayabilmek.
- Popüler önceden eğitilmiş modelleri ve uygulamalarını keşfedebilmek.
- Özel görevler için önceden eğitilmiş modellerin ince ayarını yapabilmek.
- Transfer öğrenimini doğal dil işleme ve bilgisayarlı görü alanlarında gerçek dünya problemlerini çözmek için uygulayabilmek.
Kurs Formatı
- Etkileşimli ders ve tartışma.
- Bol miktarda alıştırma ve uygulama.
- Canlı laboratuvar ortamında uygulamalı uygulama.
Kurs Özelleştirme Seçenekleri
- Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçin.
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
Introduction to Transfer Learning
- Transfer öğrenimi nedir?
- Temel faydaları ve sınırlamaları
- Transfer öğreniminin geleneksel makine öğreniminden nasıl farklılaştığı
Önceden Eğitilmiş Modelleri Anlama
- Popüler önceden eğitilmiş modellere genel bakış (örneğin, ResNet, BERT)
- Model mimarileri ve temel özellikleri
- Önceden eğitilmiş modellerin farklı alanlardaki uygulamaları
Fine-Tuning Önceden Eğitilmiş Modeller
- Özellik çıkarımı ile ince ayar arasındaki farkı anlama
- Etkili ince ayar teknikleri
- İnce ayar sırasında aşırı öğrenmeyi önleme
Transfer Öğrenimi Natural Language Processing (NLP)'da
- Özel NLP görevleri için dil modellerini uyarlama
- NLP için Hugging Face Transformers kullanma
- Vaka çalışması: Transfer öğrenimi ile duygu analizi
Transfer Öğrenimi Computer Vision'da
- Önceden eğitilmiş görsel modelleri uyarlama
- Nesne algılama ve sınıflandırma için transfer öğrenimini kullanma
- Vaka çalışması: Transfer öğrenimi ile görüntü sınıflandırma
Uygulamalı Egzersizler
- Önceden eğitilmiş modelleri yükleme ve kullanma
- Belirli bir görev için önceden eğitilmiş bir modeli ince ayar yapma
- Model performansını değerlendirme ve sonuçları iyileştirme
Transfer Öğreniminin Gerçek Dünya Uygulamaları
- Sağlık, finans ve perakende alanlarındaki uygulamalar
- Başarı hikayeleri ve vaka çalışmaları
- Transfer öğrenimindeki gelecekteki trendler ve zorluklar
Özet ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- Makine öğrenimi kavramlarına temel düzeyde hakimiyet
- Sinir ağları ve derin öğrenmeye aşinalık
- Python programlama konusunda deneyim
Hedef Kitle
- Veri bilimcileri
- Makine öğrenimi meraklıları
- Model uyarlama tekniklerini keşfeden yapay zeka uzmanları
14 Saat
Açık Eğitim Kursları 5 ve üzeri katılımcı gerektirir.
Introduction to Transfer Learning Eğitimi - Booking
Introduction to Transfer Learning Eğitimi - Enquiry
Introduction to Transfer Learning - Danışmanlık Talebi
Danışmanlık Talebi
Yaklaşan Etkinlikler
İlgili Kurslar
Advanced Techniques in Transfer Learning
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), karmaşık gerçek dünya problemlerine son teknoloji transfer öğrenimi tekniklerini uygulamak isteyen ileri düzey makine öğrenimi uzmanlarına yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Transfer öğrenimindeki gelişmiş kavramları ve metodolojileri anlayabilecektir.
- Önceden eğitilmiş modeller için alan özel uyarlama tekniklerini uygulayabilecektir.
- Sürekli değişen görevler ve veri kümeleriyle başa çıkmak için sürekli öğrenmeyi uygulayabilecektir.
- Görevler arasında model performansını artırmak için çoklu görev ince ayarını (multi-task fine-tuning) kullanabilecektir.
Daha Fazla...
Deploying Fine-Tuned Models in Production
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), ince ayarlı modelleri güvenilir ve verimli bir şekilde dağıtmak isteyen ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- İnce ayarlı modelleri üretime dağıtmanın zorluklarını anlayabilecektir.
- Modelleri Docker ve Kubernetes gibi araçları kullanarak konteynerize edip dağıtabilecektir.
- Dağıtılan modeller için izleme ve günlük kaydı uygulayabilecektir.
- Modelleri gerçek dünya senaryolarında gecikme ve ölçeklenebilirlik için optimize edebilecektir.
Daha Fazla...
Domain-Specific Fine-Tuning for Finance
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), kritik finansal görevler için yapay zeka modellerini özelleştirmede pratik beceriler kazanmak isteyen orta seviyedeki profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Finans uygulamaları için ince ayar temellerini anlayabilecektir.
- Finans alanına özgü görevler için önceden eğitilmiş modellerden yararlanabilecektir.
- Dolandırıcılık tespiti, risk değerlendirmesi ve finansal tavsiye oluşturma tekniklerini uygulayabilecektir.
- GDPR ve SOX gibi finansal düzenlemelere uyumu sağlayabilecektir.
- Finansal uygulamalarda veri güvenliğini ve etik yapay zeka uygulamalarını hayata geçirebilecektir.
Daha Fazla...
Fine-Tuning Models and Large Language Models (LLMs)
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), belirli görevler ve veri kümeleri için önceden eğitilmiş modelleri özelleştirmek isteyen orta ve ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- İnce ayar prensiplerini ve uygulamalarını anlayabilecektir.
- Önceden eğitilmiş modelleri ince ayar için veri kümeleri hazırlayabilecektir.
- Büyük dil modellerini (LLM'ler) NLP görevleri için ince ayar yapabilecektir.
- Model performansını optimize edebilecek ve yaygın zorlukların üstesinden gelebilecektir.
Daha Fazla...
Efficient Fine-Tuning with Low-Rank Adaptation (LoRA)
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), geniş ölçekli modeller için ince ayar stratejileri uygulamak isteyen orta seviyedeki geliştiriciler ve yapay zeka uygulayıcılarına yöneliktir; bunun için kapsamlı hesaplama kaynaklarına ihtiyaç duyulmaz.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Düşük Ranklı Adaptasyonun (LoRA) prensiplerini anlayacaklar.
- Geniş modellerin verimli bir şekilde ince ayarlanması için LoRA'yı uygulayacaklar.
- Sınırlı kaynaklara sahip ortamlar için ince ayarı optimize edecekler.
- Pratik uygulamalar için LoRA ile ince ayarlanmış modelleri değerlendirecek ve dağıtacaklar.
Daha Fazla...
Fine-Tuning Multimodal Models
28 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), yenilikçi yapay zeka çözümleri için çok modlu model ince ayarı konusunda uzmanlaşmak isteyen ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- CLIP ve Flamingo gibi çok modlu modellerin mimarisini anlayabileceklerdir.
- Çok modlu veri kümelerini etkili bir şekilde hazırlayabilecek ve ön işleme tabi tutabileceklerdir.
- Çok modlu modelleri belirli görevler için ince ayar yapabileceklerdir.
- Gerçek dünya uygulamaları ve performans için modelleri optimize edebileceklerdir.
Daha Fazla...
Fine-Tuning for Natural Language Processing (NLP)
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), önceden eğitilmiş dil modellerini etkili bir şekilde ince ayar yaparak NLP projelerini geliştirmek isteyen orta seviyedeki profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- NLP görevleri için ince ayarın temellerini anlayabilecektir.
- GPT, BERT ve T5 gibi önceden eğitilmiş modelleri belirli NLP uygulamaları için ince ayar yapabilecektir.
- İyileştirilmiş model performansı için hiperparametreleri optimize edebilecektir.
- İnce ayarlı modelleri gerçek dünya senaryolarında değerlendirebilecek ve dağıtabilecektir.
Daha Fazla...
Fine-Tuning DeepSeek LLM for Custom AI Models
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), belirli sektörlere, alanlara veya iş ihtiyaçlarına göre özelleştirilmiş yapay zeka uygulamaları oluşturmak için DeepSeek LLM modellerini ince ayar yapmak isteyen ileri düzey yapay zeka araştırmacıları, makine öğrenimi mühendisleri ve geliştiricilere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- DeepSeek modellerinin mimarisini ve yeteneklerini, DeepSeek-R1 ve DeepSeek-V3 dahil olmak üzere anlayabilecektir.
- Veri kümelerini hazırlayabilecek ve ince ayar için verileri ön işleyebilecektir.
- Alan özel uygulamaları için DeepSeek LLM'yi ince ayar yapabilecektir.
- İnce ayarlı modelleri verimli bir şekilde optimize ve dağıtabilecektir.
Daha Fazla...
Fine-Tuning Large Language Models Using QLoRA
14 SaatTürkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleştirilen canlı eğitim, QLoRA'yı kullanarak büyük modelleri belirli görevler ve özelleştirmeler için etkin şekilde ayarlamayı öğrenmek isteyen orta düzeyden ileri düzey machine learning mühendisleri, AI geliştiricileri ve veri bilimcilerine yönelik olarak tasarlanmıştır.
Eğitim sonunda katılımcılar aşağıdaki becerilere sahip olacaktır:
- QLoRA'nın teorisini ve LLM'ler için nicelikleme tekniklerini anlayacaklar.
- Büyük dil modellerinin alanına özgü uygulamalar için QLoRA'yı nasıl uygulayacaklarını öğrenecekler.
- Nicelikleme kullanarak sınırlı hesaplama kaynakları üzerinde fine-tuning performansını optimize edecekler.
- İleri düzeyde fine-tuned modelleri gerçek dünya uygulamalarında dağıtabilecek ve değerlendirebilecekler.
Daha Fazla...
Fine-Tuning with Reinforcement Learning from Human Feedback (RLHF)
14 SaatTürkiye'da (çevrimiçi veya yerel) gerçekleştirilen bu eğitmen yönetimi altında olan canlı eğitim, büyük AI modellerini daha iyi performans, güvenlik ve uyum için ince ayarlamak isteyen ileri düzey makine öğrenimi mühendisleri ve yapay zeka araştırmacıları için tasarlanmıştır.
Eğitim sonunda katılımcılar şunları yapabileceklerdir:
- RLHF'in teorik temellerini anlamak ve neden modern AI geliştiricileri için önemli olduğunu anlayacaklar.
- Kişiye özel geribildirimlere dayalı ödül modelleri uygulayarak tekrarlamaz öğrenme süreçlerini yönlendirebilecekler.
- RLHF teknikleri kullanarak büyük dil modellerini ince ayarlayıp insan tercihlerine uyumlu çıktılar elde edebilecekler.
- Üretim kalitesi AI sistemleri için RLHF iş akışlarını ölçeklendirmek üzere en iyi uygulamaları uygulayabilecekler.
Daha Fazla...
Optimizing Large Models for Cost-Effective Fine-Tuning
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek dünya senaryolarında maliyet etkin ince ayar için büyük modelleri optimize etme tekniklerinde ustalaşmak isteyen ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Büyük modelleri ince ayar yaparken karşılaşılan zorlukları anlayabilecektir.
- Büyük modellere dağıtık eğitim teknikleri uygulayabilecektir.
- Verimlilik için model niceleme ve budama tekniklerini kullanabilecektir.
- İnce ayar görevleri için donanım kullanımını optimize edebilecektir.
- İnce ayarlı modelleri üretim ortamlarında etkili bir şekilde dağıtabilecektir.
Daha Fazla...
Prompt Engineering and Few-Shot Fine-Tuning
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek dünya uygulamaları için LLM performansını optimize etmek amacıyla istem mühendisliği ve az sayıda örnekle öğrenmenin gücünden yararlanmak isteyen orta düzeydeki profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- İstem mühendisliği ve az sayıda örnekle öğrenmenin prensiplerini anlayabilecektir.
- Çeşitli NLP görevleri için etkili istemler tasarlayabilecektir.
- LLM'leri asgari veriyle uyarlamak için az sayıda örnekle öğrenme tekniklerini kullanabilecektir.
- Pratik uygulamalar için LLM performansını optimize edebilecektir.
Daha Fazla...
Parameter-Efficient Fine-Tuning (PEFT) Techniques for LLMs
14 SaatThis instructor-led, live training in Türkiye (online or onsite) is aimed at intermediate-level data scientists and AI engineers who wish to fine-tune large language models more affordably and efficiently using methods like LoRA, Adapter Tuning, and Prefix Tuning.
By the end of this training, participants will be able to:
- Understand the theory behind parameter-efficient fine-tuning approaches.
- Implement LoRA, Adapter Tuning, and Prefix Tuning using Hugging Face PEFT.
- Compare performance and cost trade-offs of PEFT methods vs. full fine-tuning.
- Deploy and scale fine-tuned LLMs with reduced compute and storage requirements.
Daha Fazla...
Troubleshooting Fine-Tuning Challenges
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), makine öğrenimi modelleri için ince ayar zorluklarını teşhis etme ve çözme becerilerini geliştirmek isteyen ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Aşırı öğrenme, yetersiz öğrenme ve veri dengesizliği gibi sorunları teşhis etmek.
- Model yakınsamasını iyileştirmek için stratejiler uygulamak.
- Daha iyi performans için ince ayar işlem hatlarını optimize etmek.
- Pratik araçlar ve teknikler kullanarak eğitim süreçlerini ayıklamak.
Daha Fazla...
