Tekrarlayan Sinir Ağları ve LSTM Eğitimi

Eğitim Hakkında

Bu eğitim, sıralı ve zamana bağlı verideki örüntüleri öğrenen tekrarlayan sinir ağlarını, uzun kısa süreli bellek (LSTM) ve GRU hücrelerini matematiksel temelinden uygulamaya kadar ele alan kapsamlı bir programdır. Katılımcılar PyTorch ile enerji talebi tahmini, sensör verisinde arıza öngörüsü ve metin dizisi modelleri geliştirir.

Neden Bu Eğitim?

Zamanın Dilini Çözün. Gradyanın zamanda nasıl aktığını ve LSTM kapılarının uzun vadeli bağımlılıkları nasıl koruduğunu kavrayın.

Sektörel Tahmin. Enerji talebi, sensör arızası ve işlem dizileri gibi gerçek zaman serisi problemlerinde model kurun.

Doğru Araç Seçimi. LSTM'in ne zaman Transformer, TCN veya gradyan artırma modellerine tercih edileceğini deneylerle görün.

“Veride zaman ve sıra saklıdır; o sırayı okumayı öğrenen modeller, geçmişin izlerinden geleceğin sinyallerini çıkarır.”

Ön Koşullar

Python ve pandas — Python ile kod yazabilmek ve pandas ile zaman damgalı veriyi işleyebilmek.
Sinir Ağı Temelleri — Geri yayılım, kayıp fonksiyonu ve mini-batch eğitim kavramlarını bilmek.
PyTorch Temeli — PyTorch veya Keras ile basit bir model eğitmiş olmak laboratuvarları kolaylaştırır.
Çalışma Ortamı — PyTorch ve Jupyter kurulu bir bilgisayar veya GPU destekli bulut not defteri.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiSıralı verinin özelliklerini kavramak, RNN yapısını ve zamanda geri yayılımı anlamak, kaybolan gradyan sorununu görmek ve LSTM ile GRU hücrelerini uygulamak.

Modül 1

Sıralı Veri ve Hazırlığı

Zaman serisi, metin, ses ve olay dizisi veri tipleri
Eğilim, mevsimsellik ve durağanlık kavramları
Kayan pencere ile girdi-çıktı dizileri oluşturma
Ölçekleme, eksik zaman damgası ve yeniden örnekleme
Zamana dayalı eğitim, doğrulama ve test ayrımı
Laboratuvar: Saatlik enerji tüketim verisinin hazırlığı

Modül 2

Basit Tekrarlayan Sinir Ağları

Gizli durum ve paylaşılan ağırlıklarla tekrar yapısı
Bire bir, bire çok, çoka bir ve çoka çok düzenleri
Zamanda geri yayılım (BPTT) algoritması
Kesilmiş BPTT ve uzun dizilerde bellek kullanımı
nn.RNN katmanı: girdi şekli ve batch_first
Laboratuvar: Sinüs dalgası tahmini için basit RNN

Modül 3

Kaybolan Gradyan ve LSTM

Kaybolan ve patlayan gradyanların matematiksel nedeni
LSTM hücre durumu ve bilgi otoyolu sezgisi
Unutma, girdi ve çıktı kapılarının işleyişi
Gradyan kırpma ile eğitim kararlılığı
nn.LSTM çıktıları: gizli durum ve hücre durumu
Laboratuvar: RNN ile LSTM'in uzun bağımlılık testi

Modül 4

GRU ve Mimari Varyasyonlar

GRU: güncelleme ve sıfırlama kapıları
LSTM ile GRU'nun parametre ve performans farkı
Yığılmış (stacked) çok katmanlı tekrarlayan ağlar
Çift yönlü (bidirectional) ağlar ve kullanım sınırları
Tekrarlayan katmanlarda dropout uygulaması
Günün değerlendirmesi ve zaman serisi gününe köprü

Günün hedefiLSTM tabanlı tek ve çok değişkenli zaman serisi tahmin modelleri geliştirmek, çok adımlı tahmin stratejilerini uygulamak ve sensör dizilerinde anomali tespit etmek.

Modül 1

Tek ve Çok Değişkenli Tahmin

Naif ve mevsimsel naif referans modellerin önemi
Tek değişkenli LSTM ile bir adım ileri tahmin
Hava durumu ve takvim gibi dışsal değişkenler
Çok değişkenli girdilerle LSTM modeli tasarımı
MAE, RMSE ve MASE ile tahmin başarısı ölçümü
Laboratuvar: Elektrik talebi için çok değişkenli LSTM

Modül 2

Çok Adımlı Tahmin Stratejileri

Yinelemeli (recursive) ve doğrudan tahmin yaklaşımı
Çok çıktılı model ile tüm ufku tek seferde tahmin
Kodlayıcı-kod çözücü LSTM ile dizi tahmini
Kantil kaybı ile tahmin aralıkları ve belirsizlik
Kayan başlangıçlı (walk-forward) değerlendirme
Laboratuvar: 24 saatlik ufukta talep tahmini

Modül 3

Sensör Verisinde Anomali ve Arıza Öngörüsü

Kestirimci bakımda sıralı verinin rolü
LSTM otokodlayıcı ile yeniden yapılandırma hatası
Eşik belirleme ve yanlış alarm yönetimi
Kalan faydalı ömür (RUL) tahmini yaklaşımı
NASA C-MAPSS turbofan veri seti üzerinde vaka
Laboratuvar: Motor sensörlerinde arıza öngörüsü

Modül 4

Alternatif Yaklaşımlarla Karşılaştırma

Gecikme özellikleriyle LightGBM referans modeli
Zamansal evrişimli ağlar (TCN) yaklaşımı
Transformer tabanlı zaman serisi modelleri
Darts ve Nixtla gibi zaman serisi kütüphaneleri
Doğruluk, hız ve bakım maliyeti karşılaştırması
Günün özeti ve metin dizileri gününe hazırlık

Günün hedefiTekrarlayan ağlarla metin sınıflandırma ve dizi etiketleme yapmak, dikkat destekli seq2seq modellerini kavramak, modelleri üretime hazırlamak ve projeyi sunmak.

Modül 1

LSTM ile Metin Sınıflandırma

Türkçe metinde belirteçleme ve sözlük oluşturma
Embedding katmanı ve önceden eğitilmiş kelime vektörleri
Değişken uzunluklu diziler: dolgu ve pack_padded_sequence
Çift yönlü LSTM ile belge temsili oluşturma
Sınıf dengesizliği ve metin sınıflandırma metrikleri
Laboratuvar: Müşteri yorumlarında duygu analizi

Modül 2

Dizi Etiketleme ve Olay Dizileri

Adlandırılmış varlık tanıma (NER) problemi
BiLSTM ile belirteç düzeyinde sınıflandırma
Koşullu rastgele alanlar (CRF) katmanına giriş
Tıklama ve işlem dizileriyle kullanıcı davranışı
Oturum tabanlı sonraki olay tahmini
Laboratuvar: Türkçe metinde varlık etiketleme

Modül 3

Seq2Seq, Dikkat ve Modern Yaklaşımlar

Kodlayıcı-kod çözücü mimarisi ve bağlam vektörü
Öğretmen zorlaması (teacher forcing) ve ışın araması
Bahdanau dikkati ile darboğazın aşılması
Dikkatten Transformer'a geçişin mantığı
xLSTM ve durum uzayı modelleri gibi güncel yönelimler
Demo: Dikkat ağırlıklarının görselleştirilmesi

Modül 4

Üretime Alma, Proje ve Kapanış

Durumlu çıkarım ve akış verisinde gerçek zamanlı tahmin
ONNX dışa aktarma ve model izleme gereksinimleri
Proje: Zaman serisi veya metin dizisi uçtan uca model
Takım sunumları ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının paylaşımı

Eğitim Kazanımları

Sıralı Veri Hazırlığı — Kayan pencere, ölçekleme ve zamana dayalı ayrımla sıralı veriyi modellemeye doğru biçimde hazırlayabileceksiniz.
RNN Mekanizması — Gizli durum ve zamanda geri yayılım mantığıyla tekrarlayan ağların nasıl öğrendiğini açıklayabileceksiniz.
LSTM ve GRU — Kapı mekanizmalarını kavrayarak uzun bağımlılıkları öğrenen LSTM ve GRU modelleri kurabileceksiniz.
Zaman Serisi Tahmini — Dışsal değişkenli ve çok adımlı LSTM tahmin modellerini referans modellere karşı değerlendirebileceksiniz.
Arıza Öngörüsü — LSTM otokodlayıcı ve RUL modelleriyle sensör verisinde anomali ve arıza öngörüsü yapabileceksiniz.
Metin Dizileri — Çift yönlü LSTM ile Türkçe metin sınıflandırma ve varlık etiketleme modelleri geliştirebileceksiniz.
Seq2Seq ve Dikkat — Kodlayıcı-kod çözücü ve dikkat mekanizmasının Transformer mimarisine nasıl evrildiğini kavrayabileceksiniz.
Model Seçimi — LSTM, TCN, Transformer ve gradyan artırma arasında probleminize uygun olanı gerekçeyle seçeceksiniz.

Kimler İçin Uygundur?

Zaman serisi ve sıralı veriyle çalışan veri bilimciler
ML mühendisleri
enerji
telekom
finans ve üretim sektörlerinin analitik ekipleri ile kestirimci bakım uzmanları.

Sıkça Sorulan Sorular

Tekrarlayan Sinir Ağları ve LSTM Eğitimi kimler için uygundur?

Program; zaman serisi ve sıralı veriyle çalışan veri bilimciler, ML mühendisleri, enerji, telekom, finans ve üretim sektörlerinin analitik ekipleri ile kestirimci bakım uzmanları için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün RNN, LSTM ve GRU temelleri, ikinci gün zaman serisi tahmini ve anomali tespiti, üçüncü gün metin dizileri, seq2seq ve üretime alma işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve pandas kullanımı, geri yayılım ve kayıp fonksiyonu gibi temel sinir ağı kavramları beklenir. PyTorch veya Keras ile basit model eğitmiş olmak faydalıdır.

Transformer modelleri varken LSTM öğrenmek hâlâ gerekli mi?

Evet. LSTM ve GRU modelleri sınırlı veri, düşük gecikme ve akış verisi gerektiren zaman serisi, sensör ve uç cihaz senaryolarında güçlü seçenek olmaya devam eder; eğitimde bu karşılaştırma deneylerle yapılır.

Eğitim sonunda sertifika veriliyor mu, kuruma uyarlanabilir mi?

Evet. Projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır. Vakalar kurumun enerji, sensör, finansal işlem veya metin verisine göre uyarlanabilir.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

TEKRARLAYAN SİNİR AĞLARI VE UZUN KISA SÜRELİ BELLEK EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Sıralı Veri ve Hazırlığı

Basit Tekrarlayan Sinir Ağları

Kaybolan Gradyan ve LSTM

GRU ve Mimari Varyasyonlar

Tek ve Çok Değişkenli Tahmin

Çok Adımlı Tahmin Stratejileri

Sensör Verisinde Anomali ve Arıza Öngörüsü

Alternatif Yaklaşımlarla Karşılaştırma

LSTM ile Metin Sınıflandırma

Dizi Etiketleme ve Olay Dizileri

Seq2Seq, Dikkat ve Modern Yaklaşımlar

Üretime Alma, Proje ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi