Türkiye Merkezli Deep Learning Eğitimleri

Bu eğitmen öncülkü, canlı eğitim (online veya on-site) Türkiye konumunda, Tensorflow Lite'i Kıyasın_AI uygulamalarında kullanmak isteyen orta seviye geliştiriciler, veri bilimciler ve yapay zeka uzmanları için tasarlanmıştır.

Bu eğitim sonunda katılımcılar şu becerileri kazanacaklardır:

• Tensorflow Lite'in temel kavramlarını ve Kıyasın_AI'daki rolünü anlamak.
• Tensorflow Lite kullanarak yapay zeka modellerini geliştirme ve optimizasyonu.
• Farklı kıyas cihazlarına Tensorflow Lite modellerini dağıtımını gerçekleştirmek.
• Model dönüştürme ve optimizasyonu için araçlar ve teknikleri kullanmak.
• Pratik Kıyasın_AI uygulamalarını Tensorflow Lite ile uygulamak.

Bu eğitmen destekli, canlı eğitim (online veya on-site) ileri düzey profesyoneller için tasarlanmıştır ve bilgisayar görüşünü daha derinlemesine anlamayı ve TensorFlow'ün Google Colab kullanarak karmaşık görünümlü model geliştirme yeteneklerini keşfetmeyi amaçlamaktadır.

Bu eğitim sonunda katılımcılar şunları yapabilecekler:

• TensorFlow kullanarak konvolüsyonel sinir ağları (CNN'ler) oluşturma ve eğitme.
• Google Colab'yı ölçeklenebilir ve verimli bulut tabanlı model geliştirme için kullanma.
• Bilgisayar görüşü görevleri için görüntü ön işleme tekniklerini uygulama.
• Gerçek dünya uygulamaları için bilgisayar görüşü modellerinin dağıtımını yapma.
• Transfer öğrenimini kullanarak CNN model performansını artırma.
• Görüntü sınıflandırma modellerinin sonuçlarını görselleştirme ve yorumlama.

Bu eğitmen öncülüğündeki canlı eğitim (çevrimiçi veya yerel), derin öğrenme tekniklerini Google Colab ortamında anlamak ve uygulamak isteyen orta düzeyli veri bilimcileri ve geliştiricilere yönelik olabilir.

Bu eğitim sonunda, katılımcılar şunları yapabilecek hale gelecektir:

• Derin öğrenme projeleri için Google Colab'yi kurma ve kullanma.
• Sinir ağlarının temellerini anlama.
• TensorFlow kullanarak derin öğrenme modellerinin uygulanması.
• Derin öğrenme modellerinin eğitimi ve değerlendirmesi.
• Derin öğrenme için TensorFlow'nin gelişmiş özelliklerinin kullanımı.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Doğal Dil Anlama (NLU) için son teknoloji derin öğrenme tekniklerinde uzmanlaşmak isteyen ileri düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NLU ve NLP modelleri arasındaki temel farkları anlayabilecektir.
• NLU görevlerine gelişmiş derin öğrenme tekniklerini uygulayabilecektir.
• Transformer'lar ve dikkat mekanizmaları gibi derin mimarileri keşfedebilecektir.
• Sofistike yapay zeka sistemleri oluşturmak için NLU'daki gelecekteki trendlerden yararlanabilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), metinden görüntüye oluşturma konusunda derin öğrenme alanındaki bilgilerini ve becerilerini genişletmek isteyen orta ve ileri seviyedeki veri bilimcileri, makine öğrenimi mühendisleri, derin öğrenme araştırmacıları ve bilgisayar görüşü uzmanlarına yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Metinden görüntüye oluşturma için gelişmiş derin öğrenme mimarilerini ve tekniklerini anlayabilecektir.
• Yüksek kaliteli görüntü sentezi için karmaşık modelleri ve optimizasyonları uygulayabilecektir.
• Büyük veri kümeleri ve karmaşık modeller için performansı ve ölçeklenebilirliği optimize edebilecektir.
• Daha iyi model performansı ve genelleme için hiperparametreleri ayarlayabilecektir.
• Stable Diffusion'ü diğer derin öğrenme çerçeveleri ve araçlarıyla entegre edebilecektir.

Bu eğitmen yönetimi altında gerçekleşen canlı eğitim (Türkiye - çevrimiçi veya yerel) ileri düzey profesyoneller için tasarlanmıştır ve bu profesyoneller, AI tekniklerini kullanarak ilaç keşfi ve geliştirme süreçlerini revizyona sokma amacını taşır.

Bu eğitim sonunda, katılımcılar şunları yapabilecek hale gelecektir:

• AI'nin ilaç keşfi ve geliştirme sürecindeki rolünü anlamak.
• Makine öğrenimi tekniklerini moleküler özelliklere ve etkileşimlere yönelik tahminlerde kullanmak.
• Derin öğrenme modellerini sanal ekranlama ve lider optimizasyonu için kullanmak.
• AI yönlü yaklaşımları klinik deneme sürecine entegre etmek.

Türkiyetaki eğitmen yönetilen canlı eğitim (çevrimiçi veya yerel) biyologlara yönelik olup, AlphaFold'in nasıl çalıştığını anlamayı ve AlphaFold modellerini deneylerinde rehber olarak kullanmayı amaçlamaktadır.

Eğitim sonunda katılımcılar şunları yapabilecek hale gelecektir:

• AlphaFold'in temel ilkelerini anlamak.
• AlphaFold nasıl çalıştığını öğrenmek.
• AlphaFold tahminlerini ve sonuçlarını yorumlama becerisini kazanmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), derin öğrenme modellerinin performansını artırmak isteyen başlangıç ​​ve orta seviyedeki veri bilimcileri ve makine öğrenimi mühendisleri için tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Dağıtık derin öğrenmenin prensiplerini anlayabilecektir.
• DeepSpeed'i kurabilecek ve yapılandırabilecektir.
• DeepSpeed kullanarak dağıtık donanımda derin öğrenme modellerini ölçekleyebilecektir.
• Optimizasyon ve bellek verimliliği için DeepSpeed özelliklerini uygulayabilecek ve deneyebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), çeşitli doğal dil görevleri için Büyük Dil Modelleri kullanmak isteyen başlangıç ​​seviyesinden orta seviyeye kadar olan geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Popüler bir LLM içeren bir geliştirme ortamı kurmak.
• Temel bir LLM oluşturmak ve özel bir veri kümesi üzerinde ince ayar yapmak.
• Metin özetleme, soru cevaplama, metin oluşturma ve daha fazlası gibi farklı doğal dil görevleri için LLM'leri kullanmak.
• TensorBoard, PyTorch Lightning ve Hugging Face Datasets gibi araçları kullanarak LLM'leri ayıklamak ve değerlendirmek.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), çeşitli kullanım durumları için yüksek kaliteli görüntüler oluşturmak amacıyla Stable Diffusion'yi kullanmak isteyen veri bilimcileri, makine öğrenimi mühendislerini ve bilgisayar görüşü araştırmacılarını hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Stable Diffusion'nin prensiplerini ve görüntü oluşturma için nasıl çalıştığını anlayabilecektir.
• Görüntü oluşturma görevleri için Stable Diffusion modelleri oluşturup eğitebilecektir.
• Stable Diffusion'yi, görüntü tamamlama, dışa aktarma ve görüntüden görüntüye çevirme gibi çeşitli görüntü oluşturma senaryolarına uygulayabilecektir.
• Stable Diffusion modellerinin performansını ve kararlılığını optimize edebilecektir.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Türkiye konumunda görüntü, müzik, metin ve finansal verileri içeren bir dizi demo uygulaması oluşturarak en alakalı ve son teknoloji makine öğrenimi tekniklerini öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Karmaşık problemleri çözmek için makine öğrenimi algoritmalarını ve tekniklerini uygulayın.
• Görüntü, müzik, metin ve finansal verilerini içeren uygulamalarda derin öğrenmeyi ve yarı denetimli öğrenmeyi uygulayın.
• Python algoritmalarını maksimum potansiyellerine kadar kullanın.
• NumPy ve Theano gibi kütüphaneleri ve paketleri kullanın.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde) Deep Reinforcement Learning'nin temellerini öğrenmek isteyen geliştiriciler ve veri bilimcilerine yöneliktir; bir Deep Learning Aracısı oluşturma sürecinde adım adım ilerleyeceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Deep Reinforcement Learning'nin temel kavramlarını anlayabilecek ve onu Machine Learning'ten ayırt edebilecektir.
• Gerçek dünya problemlerini çözmek için gelişmiş Reinforcement Learning algoritmalarını uygulayabilecektir.
• Bir Deep Learning Aracısı oluşturabilecektir.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Türkiye’da derin öğrenme modellerini telekomünikasyon için Python kullanarak nasıl uygulayacaklarını öğrenecekler ve derin öğrenme kredi risk modeli oluşturma sürecini adım adım takip edeceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenmenin temel kavramlarını anlayabilecekler.
• Derin öğrenmenin telekomünikasyondaki uygulamalarını ve kullanım alanlarını öğrenecekler.
• Telekomünikasyon için derin öğrenme modelleri oluşturmak için Python, Keras ve TensorFlow'yı kullanabilecekler.
• Python kullanarak kendi derin öğrenme müşteri kaybı tahmin modelini oluşturabilecekler.

Bu kurs, yöneticiler, çözüm mimarları, inovasyon yöneticileri, CTO'lar, yazılım mimarları ve uygulamalı yapay zeka ile gelişiminin en yakın öngörüsü hakkında genel bir bakışla ilgilenen herkes için oluşturulmuştur.

Bu kurs, Automotive Sektöründe Yapay Zeka'yı (vurgu Machine Learning ve Deep Learning) kapsamaktadır. Otomobillerde çeşitli durumlarda hangi teknolojinin (potansiyel olarak) kullanılabileceğini belirlemeye yardımcı olur: basit otomasyondan, görüntü tanımaya ve otonom karar almaya kadar.

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), profesyonel alanlarında verileri hazırlamak, modeller oluşturmak ve makine öğrenimi tekniklerini etkili bir şekilde uygulamak isteyen orta seviyedeki veri bilimcileri ve istatistikçilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli Machine Learning algoritmalarını anlayıp uygulayabilecekler.
• Verileri ve modelleri makine öğrenimi uygulamaları için hazırlayabilecekler.
• Sonradan analizler yapabilecek ve sonuçları etkili bir şekilde görselleştirebilecekler.
• Makine öğrenimi tekniklerini gerçek dünya, sektöre özgü senaryolara uygulayabilecekler.

Yapay Sinir Ağları, "akıllı" görevler gerçekleştirebilen Artificial Intelligence (AI) sistemlerin geliştirilmesinde kullanılan hesaplamalı bir veri modelidir. Neural Networks, genellikle Machine Learning (ML) uygulamalarında kullanılır ve bunlar da yapay zekanın (AI) bir uygulamasıdır. Deep Learning, ML'nin bir alt kümesidir.

Caffe, ifade, hız ve modülerlik göz önünde bulundurularak oluşturulmuş derin öğrenme çerçevesidir.

Bu kurs, Caffe'ün görüntü tanıma için derin öğrenme çerçevesi olarak MNIST örneği kullanılarak uygulanmasını araştırmaktadır.

Hedef Kitle

Bu kurs, Caffe'ü bir çerçeve olarak kullanmakla ilgilenen Deep Learning araştırmacıları ve mühendisler için uygundur.

Bu kursu tamamladıktan sonra katılımcılar şunları yapabilecektir:

• Caffe'ün yapısını ve dağıtım mekanizmalarını anlayabilecektir
• Kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecektir
• Kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecektir
• Modelleri eğitme, katmanları uygulama ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecektir

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Chainer kullanarak Python içinde sinir ağları oluşturmak ve eğitmek isteyen araştırmacılara ve geliştiricilere yöneliktir; böylece kodun hata ayıklanması kolaylaşır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sinir ağı modelleri geliştirmeye başlamak için gerekli geliştirme ortamını kurmak.
• Anlaşılır kaynak kodu kullanarak sinir ağı modellerini tanımlamak ve uygulamak.
• Yüksek performans için GPUlerden yararlanarak derin öğrenme eğitim modellerini optimize etmek için örnekleri yürütmek ve mevcut algoritmaları değiştirmek.

Computer Network ToolKit (CNTK), konuşma, metin ve görüntüler için Açık Kaynaklı, Çoklu Makine, Çoklu-GPU, Yüksek Verimli RNN eğitimine yönelik Microsoft'in makine öğrenimi çerçevesidir.

Hedef Kitle

Bu kurs, projelerinde CNTK'i kullanmayı amaçlayan mühendisler ve mimarlar için hazırlanmıştır.

Bu kurs, herhangi bir özel yönteme derinlemesine girmeden Deep Learning'ün genel bir bakışıdır. Tahmin doğruluğunu artırmak için Derin Öğrenmeyi kullanmaya başlamak isteyenler için uygundur.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), genel yapay zeka ve makine öğrenimi sistemleri geliştirmek için DeepMind Lab platformunu kurmak, yapılandırmak, özelleştirmek ve kullanmak isteyen araştırmacılara ve geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Öğrenme ve eğitim ihtiyaçlarına uygun bir ortam oluşturmak ve çalıştırmak için DeepMind Lab'i özelleştirmek.
• Öğrenme aracılarının eğitimi için DeepMind Lab'in 3D simülasyon ortamını birincil şahıs bakış açısıyla kullanmak.
• 3D oyun benzeri bir dünyada zeka geliştirmek için aracı değerlendirmesini kolaylaştırmak.

Makine öğrenimi, bilgisayarların açıkça programlanmadan öğrenme yeteneğine sahip olduğu Yapay Zekanın bir dalıdır. Derin öğrenme ise, sinir ağları gibi öğrenme veri temsilleri ve yapılarına dayalı yöntemler kullanan makine öğreniminin bir alt alanıdır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gelir artışını hızlandırmak ve iş dünyasındaki sorunları çözmek için derin öğrenme modelleri oluşturmak ve uygulamak isteyen iş analistleri, veri bilimcileri ve geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Makine öğrenimi ve derin öğrenmenin temel kavramlarını anlayabilecektir.
• ML ve DL ile iş ve endüstrinin geleceği hakkında bilgi edinebilecektir.
• Derin öğrenme ile iş stratejileri ve çözümleri tanımlayabilecektir.
• Veri bilimi ve derin öğrenmeyi iş sorunlarını çözmede nasıl uygulayacaklarını öğrenebilecektir.
• Python, Pandas, TensorFlow, CNTK, Torch, Keras vb. kullanarak derin öğrenme modelleri oluşturabilecektir.

Makine öğrenimi, bilgisayarların açıkça programlanmadan öğrenme yeteneğine sahip olduğu Yapay Zekanın bir dalıdır. Derin öğrenme, verilerin temsillerini ve sinir ağları gibi yapıları öğrenmeye dayalı yöntemler kullanan makine öğreniminin bir alt alanıdır. Python, açık sözdizimi ve kod okunabilirliği ile ünlü yüksek seviyeli bir programlama dilidir.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, bir derin öğrenme kredi risk modeli oluşturarak Python kullanarak bankacılık için derin öğrenme modellerini nasıl uygulayacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenmenin temel kavramlarını anlayın
• Derin öğrenmenin bankacılıktaki uygulamalarını ve kullanımlarını öğrenin
• Bankacılık için derin öğrenme modelleri oluşturmak için Python, Keras ve TensorFlow'yi kullanın
• Python kullanarak kendi derin öğrenme kredi risk modelinizi oluşturun

Hedef Kitle

• Geliştiriciler
• Veri bilimcileri

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

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 (Türkiye çevrimiçi veya yerinde), gerçek zamanlı makine öğrenimi uygulamalarını hızlandırmak ve bunları ölçekte dağıtmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• OpenVINO araç setini kurmak.
• Bir FPGA kullanarak bir bilgisayarlı görü uygulaması hızlandırmak.
• Farklı CNN katmanlarını FPGA üzerinde çalıştırmak.
• Kubernetes kümesindeki birden fazla düğümde uygulamayı ölçeklendirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), potansiyel sahtekarlık verilerini analiz etmek için TensorFlow'yi kullanmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Python ve TensorFlow’de bir sahtekarlık tespit modeli oluşturmak.
• Sahtekarlığı tahmin etmek için doğrusal regresyonlar ve doğrusal regresyon modelleri oluşturmak.
• Sahtekarlık verilerini analiz etmek için uçtan uca bir yapay zeka uygulaması geliştirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), dağıtılmış derin öğrenme eğitimlerini çalıştırmak ve bunları birden çok GPU üzerinde paralel olarak ölçeklendirmek isteyen geliştiriciler veya veri bilimcileri hedeflenmektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenme eğitimlerini çalıştırmaya başlamak için gerekli geliştirme ortamını kurmak.
• Horovod'i TensorFlow, Keras, PyTorch ve Apache MXNet ile modeller eğitmek için kurmak ve yapılandırmak.
• Horovod ile derin öğrenme eğitimini birden çok GPU üzerinde ölçeklendirmek.

Tür : Öğrencilerle önceden belirlenmiş uygulamalarla Lasagne veya Keras üzerinde teorik eğitim

Öğretim yöntemi: sunum, tartışma ve vaka çalışmaları

Yapay zeka, birçok bilimsel alanı alt üst ettikten sonra, çok sayıda ekonomik sektörde (sanayi, tıp, iletişim vb.) devrim yaratmaya başladı. Ancak, büyük medyada sunumu genellikle gerçek Machine Learning veya Deep Learning alanlarından çok uzak, bir fanteziye dayanmaktadır. Bu eğitimin amacı, zaten bilgisayar araçlarında (yazılım programlama temelleri dahil) ustalık sahibi mühendislere Deep Learning ve çeşitli uzmanlık alanlarına ve dolayısıyla günümüzde mevcut olan ana ağ mimarilerine bir giriş sağlamaktır. Ders sırasında matematik temelleri hatırlatılsa da, daha rahat bir öğrenim için BAC+2 seviyesinde bir matematik bilgisi önerilir. Matematik eksenini tamamen göz ardı ederek yalnızca "sistem" vizyonunu korumak mümkün olsa da, bu yaklaşım konuyu anlamanızı büyük ölçüde sınırlayacaktır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), görüntü tanıma uygulamalarına derin öğrenme modeli uygulamak isteyen teknik personele yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Keras'ü kurmak ve yapılandırmak.
• Derin öğrenme modellerini hızlı bir şekilde prototiplemek.
• Evrişimli bir ağ uygulamak.
• Tekrarlayan bir ağ uygulamak.
• Derin öğrenme modelini hem CPU üzerinde hem de GPU üzerinde çalıştırmak.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, görüntü tanıma için evrişimli bir sinir ağı tasarlamak, oluşturmak ve görselleştirmek için Matlab'ı nasıl kullanacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenme modeli oluşturmak
• Veri etiketlemeyi otomatikleştirmek
• Caffe ve TensorFlow-Keras kaynaklarından gelen modellerle çalışmak
• Birden fazla GPU, bulut veya kümeler kullanarak verileri eğitmek

Hedef Kitle

• Geliştiriciler
• Mühendisler
• Alan uzmanları

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, alıştırmalar ve yoğun uygulamalı çalışma

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), makine öğrenimi algoritmaları, derin öğrenme teknikleri ve yapay zeka destekli karar verme anlayışlarını geliştirmek isteyen yeni başlayan ve orta seviyedeki profesyonellere yöneliktir. Bu kurs, makine öğrenimi kavramları, derin öğrenme modelleri ve R kullanılarak pratik uygulamalar konusunda uygulamalı deneyim sunar.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Makine öğrenimi ve derin öğrenmenin temellerini anlayabilecektir.
• Regresyon, sınıflandırma, kümeleme ve anomali tespiti için çeşitli makine öğrenimi algoritmalarını uygulayabilecektir.
• Yapay sinir ağları (ANN'ler) gibi derin öğrenme mimarilerini kullanabilecektir.
• Denetimli ve denetimsiz öğrenme modellerini uygulayabilecektir.
• Model performansını değerlendirebilecek ve hiperparametreleri optimize edebilecektir.
• Veri analizi, görselleştirme ve makine öğrenimi uygulamaları için R kullanabilecektir.

Eğitim, nöral ağların temellerini ve uygulamalarını öğrenmek isteyen kişiler için tasarlanmıştır.

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake with relevant neural and deep network libraries

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), derin öğrenme için OpenCV 4 ile Python içinde programlama yapmak isteyen yazılım mühendislerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• OpenCV 4 kullanarak görüntüleri ve videoları görüntüleyebilecek, yükleyebilecek ve sınıflandırabilecek.
• TensorFlow ve Keras ile OpenCV 4 içinde derin öğrenmeyi uygulayabilecek.
• Derin öğrenme modellerini çalıştırabilecek ve görüntülerden ve videolardan etkili raporlar oluşturabilecek.

OpenFace, Google'ün FaceNet araştırmasına dayalı açık kaynaklı, gerçek zamanlı yüz tanıma yazılımıdır Python ve Torch üzerine kurulmuştur.

Bu eğitmen liderliğindeki, canlı eğitimde katılımcılar, OpenFace'in bileşenlerini kullanarak örnek bir yüz tanıma uygulaması oluşturmayı ve dağıtmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yüz algılama, hizalama ve dönüşüm uygulamak için dlib, OpenCV, Torch ve nn4 dahil olmak üzere OpenFace'in bileşenleriyle çalışmak
• OpenFace'i gözetleme, kimlik doğrulama, sanal gerçeklik, oyun ve tekrar eden müşterileri belirleme gibi gerçek dünya uygulamalarına uygulamak vb.

Hedef Kitle

• Geliştiriciler
• Veri bilimcileri

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Bu eğitmen yönetilen canlı eğitimde, katılımcılar çeşitli örnek veri kümelerinin çevirisini gerçekleştirmek için OpenNMT kurulumunu ve kullanımını öğrenecekler. Kurs, makine çevirisi bağlamında sinir ağlarına genel bir bakışla başlar. Katılımcılar kurs boyunca canlı alıştırmalar yaparak öğrenilen kavramları anladıklarını gösterir ve eğitmenin geri bildirimini alacaklar.

Bu eğitim sonunda, katılımcıların bir canlı OpenNMT çözümünü uygulamak için gerekli bilgi ve deneyime sahip olacaklarını görmeyeceklerdir.

Kaynak dil ve hedef dil örnekleri, izleyicilerin ihtiyaçlarına göre önceden düzenlenecektir.

Eğitim Formatı

• Derslik öğretiler, tartışmalar ve yoğun elden deneyimler

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, gerçek dünya uygulaması oluşturarak R ile Machine Learning konusunda ileri düzey teknikler öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Denetimsiz öğrenme tekniklerini anlayıp uygulayabilecektir.
• Gerçek dünya verilerine dayanarak tahminler yapmak için kümeleme ve sınıflandırma uygulayabilecektir.
• Verileri görselleştirerek hızlı bir şekilde içgörü kazanabilecek, karar verebilecek ve analizleri daha da geliştirebilecektir.
• Hiper-parametre ayarı yaparak bir makine öğrenimi modelinin performansını iyileştirebilecektir.
• Bir modeli daha büyük bir uygulamada kullanmak üzere üretime sokabilecektir.
• Sosyal ağ verileri, büyük veri ve daha fazlasını içeren soruları yanıtlamak için gelişmiş makine öğrenimi teknikleri uygulayabilecektir.

Bu kurs, R-proje yazılımı kullanarak sinir ağlarını gerçek hayat problemlerine uygulamaya girişレベルが設定されていないので、ここでは「introduction」を土耳其语に翻訳します。

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 eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), çok küçük gömülü cihazlarda makine öğrenimi modelleri yazmak, yüklemek ve çalıştırmak isteyen mühendiflere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TensorFlow Lite'i kurmak.
• Konuşmayı algılamak, görüntüleri sınıflandırmak vb. için bir makine öğrenimi modelini gömülü bir cihaza yüklemek.
• Ağ bağlantısına bağlı kalmadan donanım cihazlarına yapay zeka eklemek.

Bu eğitmen liderliğindeki, canlı eğitimde (Türkiye – çevrimiçi veya yerinde), katılımcılar, makine öğrenimi modellerini üretim ortamında dağıtmak ve yönetmek için TensorFlow Serving'i nasıl yapılandıracaklarını ve kullanacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Farklı TensorFlow modellerini train, export ve serve etme.
• Tek bir mimari ve API seti kullanarak algoritmaları test etme ve dağıtma.
• TensorFlow modellerinden başka model türlerini sunmak için TensorFlow Serving'i genişletme.

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.

Bu eğitmenin yönettiği canlı eğitimde Türkiye, katılımcılar TPU işlemcilerindeki yeniliklerden yararlanarak kendi yapay zeka uygulamalarının performansını nasıl maksimize edebileceklerini öğrenecekler.

Eğitim sonunda, katılımcılar şunları yapabilecektir:

• Büyük miktarda veri üzerinde çeşitli tip Neural Network'leri eğitebilecekler.
• TPUs kullanarak çıkarım sürecini iki sıradan hızlandıracaklar.
• Görüntü araması, bulut görüşüm ve fotoğraflar gibi yoğun uygulamalar için TPUs'yu kullanabilecekler.

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 ağları ve genel olarak makine öğrenimi algoritmaları, derin öğrenme (algoritmalar ve uygulamalar) konusunda kavramsal bilgi vererek başlar.

Bu eğitimin %40'lık ilk bölümü temellere daha çok odaklanacak, ancak doğru teknolojiyi seçmenize yardımcı olacaktır: TensorFlow, Caffe, Theano, DeepDrive, Keras vb.

Bu eğitimin %20'lik ikinci bölümü, derin öğrenme modellerini yazmayı kolaylaştıran bir python kütüphanesi olan Theano'yu tanıtacaktır.

Bu eğitimin %40'lık üçüncü bölümü, Deep Learning için açık kaynaklı yazılım kütüphanesi olan Google'nin 2. Nesil API'si olan Tensorflow'a yoğun bir şekilde dayanacaktır. Örnekler ve uygulamalı çalışmaların tamamı TensorFlow içinde yapılacaktır.

Hedef Kitle

Bu kurs, Deep Learning projelerinde TensorFlow kullanmak isteyen mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• derin sinir ağları (DNN), CNN ve RNN konusunda iyi bir anlayışa sahip olacaklar

• TensorFlow'ün yapısını ve dağıtım mekanizmalarını anlayacaklar

• kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecekler

• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler

• modeller eğitmek, grafikler oluşturmak ve günlük kaydı tutmak gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler