Üretici Çekişmeli Ağlar (GAN) Eğitimi

Eğitim Hakkında

Bu eğitim, üretici çekişmeli ağları (generative adversarial networks, GAN) teorik temelinden endüstriyel uygulamalarına kadar uçtan uca öğrenmek isteyen teknik ekipler için tasarlanmış ileri düzey bir programdır. Katılımcılar PyTorch ile GAN mimarilerini kodlar, kararsız eğitimi yönetir, görüntü dönüşümü ve sentetik veri üretimi yapar ve sonuçları nesnel metriklerle değerlendirir.

Neden Bu Eğitim?

Çekişmeli Öğrenme. İki ağın rekabetine dayanan öğrenme mantığını ve bu yaklaşımın getirdiği güç ile zorlukları derinlemesine kavrayın.

Kararlı Eğitim Ustalığı. Mod çöküşü ve yakınsama sorunlarını WGAN-GP, spektral normalizasyon ve eğitim teknikleriyle yönetin.

Endüstriyel Kullanım. Kusur verisi artırma, görüntü iyileştirme ve gizliliği gözeten sentetik tablo verisi üretimini uygulayın.

“Çekişmeli ağlar iki modelin rekabetinden yaratıcılık doğurur; bu gücü gerçek ihtiyaca ve etik sınırlara bağlamak bizim işimizdir.”

Ön Koşullar

PyTorch Deneyimi — PyTorch ile özel model tanımlayıp eğitim döngüsü yazmış ve GPU üzerinde çalıştırmış olmak.
Evrişimli Ağlar — Evrişim, havuzlama, batch normalizasyon ve transpoze evrişim katmanlarını bilmek.
Olasılık Temeli — Olasılık dağılımları, beklenen değer ve KL ıraksaması gibi kavramlara aşinalık.
GPU Erişimi — CUDA destekli GPU'lu bilgisayar veya eğitim süresince sağlanan bulut GPU ortamı.

Eğitim İçeriği

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

Günün hedefiÜretken model ailelerini karşılaştırmak, GAN'ın minimax formülasyonunu ve eğitim dinamiğini kavramak ve DCGAN mimarisini PyTorch ile sıfırdan kodlayıp eğitmek.

Modül 1

Üretken Modellere Genel Bakış

Ayırt edici ve üretken modellerin temel farkı
Açık yoğunluk modelleri ve örtük üretken modeller
Varyasyonel otokodlayıcı (VAE) ile kısa karşılaştırma
GAN, VAE ve difüzyon modellerinin güçlü yönleri
Kullanım alanları: sentetik veri, süper çözünürlük, stil
Demo: Aynı veri setinde VAE ve GAN örneklerinin kıyası

Modül 2

GAN Teorisi ve Eğitim Dinamiği

Üretici ve ayırt edici ağların rolleri
Minimax oyunu ve optimal ayırt edici türetimi
Jensen-Shannon ıraksaması ve gradyan kaybolması
Doygun olmayan üretici kaybı ve pratik tercih
Nash dengesi ve eşzamanlı gradyan inişi sorunları
Laboratuvar: MNIST üzerinde tam bağlantılı temel GAN

Modül 3

DCGAN Mimarisi ve Uygulaması

Transpoze evrişim ile yukarı örnekleme
Batch normalizasyon, LeakyReLU ve ağırlık başlatma
DCGAN mimari yönergeleri ve tasarım kararları
Gizli uzay (latent space) interpolasyonu ve aritmetiği
Eğitim sırasında örnek ızgarası ile ilerleme takibi
Laboratuvar: DCGAN'ı PyTorch ile sıfırdan kodlama

Modül 4

GAN Eğitim Sorunlarının Teşhisi

Mod çöküşü (mode collapse) belirtileri ve nedenleri
Ayırt edicinin baskınlaşması ve öğrenme dengesi
Kayıp eğrilerinin GAN'da yanıltıcı olması
Etiket yumuşatma, gürültü ve öğrenme oranı dengesi
Laboratuvar: Çöken bir GAN eğitiminin teşhis edilmesi
Günün değerlendirmesi ve ileri mimariler gününe köprü

Günün hedefiWasserstein tabanlı ve düzenlileştirilmiş GAN'larla kararlı eğitim sağlamak, koşullu üretim ve görüntüden görüntüye dönüşüm yapmak ve StyleGAN ailesini tanımak.

Modül 1

Wasserstein GAN ve Düzenlileştirme

Wasserstein mesafesi ve eleştirmen (critic) kavramı
WGAN ağırlık kırpma yaklaşımı ve sınırları
Gradyan cezası ile WGAN-GP formülasyonu
Spektral normalizasyon ve Lipschitz kısıtı
Hinge kaybı, TTUR ve üstel hareketli ortalama
Laboratuvar: DCGAN ile WGAN-GP eğitim kararlılığı kıyası

Modül 2

Koşullu GAN ve Kontrollü Üretim

Sınıf etiketiyle koşullandırılmış GAN (cGAN)
Yardımcı sınıflandırıcılı GAN (AC-GAN) yaklaşımı
Projeksiyon ayırt edici ve sınıf gömmeleri
Nadir sınıflar için hedefli veri artırma senaryosu
Üretilen örneklerle sınıflandırıcı başarısının ölçümü
Laboratuvar: Kusur tipine göre koşullu görüntü üretimi

Modül 3

Görüntüden Görüntüye Dönüşüm

Pix2Pix: eşli veriyle U-Net ve PatchGAN mimarisi
CycleGAN: eşsiz veriyle döngü tutarlılığı kaybı
Alan uyarlaması: sentetikten gerçek görüntüye geçiş
SRGAN ve ESRGAN ile süper çözünürlük
Algısal kayıp (perceptual loss) ve VGG özellikleri
Laboratuvar: CycleGAN ile gündüz-gece dönüşümü

Modül 4

StyleGAN Ailesi ve Yüksek Çözünürlük

Aşamalı büyütme (progressive growing) fikri
StyleGAN eşleme ağı ve stil tabanlı üretici
Uyarlanabilir örnek normalizasyonu ve stil karıştırma
StyleGAN2 ve StyleGAN3 iyileştirmeleri
GAN ters çevirme ve gizli uzayda anlamsal düzenleme
Demo: Önceden eğitilmiş StyleGAN ile gizli uzay keşfi

Günün hedefiGAN'ları sentetik tablo ve zaman serisi verisi ile anomali tespitinde uygulamak, üretim kalitesini ve gizliliği ölçmek, etik riskleri yönetmek ve projeyi sunmak.

Modül 1

Sentetik Tablo ve Zaman Serisi Verisi

Tablo verisinin zorlukları: karma tipler ve dağılımlar
CTGAN ve SDV kütüphanesi ile sentetik tablo üretimi
TimeGAN ile sentetik zaman serisi yaklaşımı
SDMetrics ile istatistiksel benzerlik değerlendirmesi
Sentetik veriyle eğit, gerçek veriyle test et (TSTR)
Laboratuvar: Müşteri verisinin sentetik kopyasını üretme

Modül 2

Anomali Tespiti ve Veri Artırma

GAN tabanlı anomali tespiti: AnoGAN ve GANomaly
Üretim hattında nadir kusur görüntülerinin artırılması
Tıbbi görüntülemede veri artırma ve sınırları
Sentetik verinin model yanlılığına etkisi
Laboratuvar: GANomaly ile yüzey kusuru tespiti
Vaka: Sentetik kusur verisiyle muayene modelinin iyileşmesi

Modül 3

Değerlendirme, Gizlilik ve Etik

Inception Score, FID ve KID metrikleri
Kesinlik ve duyarlılık ile kalite-çeşitlilik ayrımı
Ezberleme, üyelik çıkarımı saldırısı ve KVKK riski
Diferansiyel gizlilik ile GAN eğitimi yaklaşımları
Deepfake riskleri, tespit yöntemleri ve EU AI Act şeffaflığı
GAN ile difüzyon modellerinin güncel konumu ve hibritler

Modül 4

Sentetik Veri Projesi ve Kapanış

Grup projesi: veri, mimari, eğitim ve değerlendirme
Proje sunumları ve FID ile gizlilik sonuçları
Kurumsal sentetik veri kullanım politikası taslağı
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar kodlarının teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

GAN Teorisi — Minimax formülasyonu, ıraksama ölçüleri ve eğitim dinamiğini matematiksel sezgiyle açıklayabileceksiniz.
Mimari Kodlama — DCGAN, WGAN-GP ve koşullu GAN mimarilerini PyTorch ile sıfırdan kodlayıp eğitebileceksiniz.
Eğitim Teşhisi — Mod çöküşü ve dengesiz eğitim belirtilerini fark edip uygun düzenlileştirme tekniklerini uygulayacaksınız.
Görüntü Dönüşümü — Pix2Pix, CycleGAN ve ESRGAN ile alan uyarlaması ve süper çözünürlük uygulamaları geliştirebileceksiniz.
Stil Tabanlı Üretim — StyleGAN ailesinin yapısını kavrayıp gizli uzayda kontrollü ve anlamsal düzenlemeler yapabileceksiniz.
Sentetik Veri — CTGAN ve SDV ile tablo verisinin istatistiksel özelliklerini koruyan sentetik veri setleri üretebileceksiniz.
Nesnel Değerlendirme — FID, KID, kesinlik-duyarlılık ve TSTR yaklaşımlarıyla üretim kalitesini ve faydasını ölçebileceksiniz.
Gizlilik ve Etik — Ezberleme ve üyelik çıkarımı risklerini test edip sentetik veriyi KVKK ve etik ilkelere uygun kullanacaksınız.

Kimler İçin Uygundur?

Derin öğrenme ve bilgisayarlı görü mühendisleri
veri bilimciler
sentetik veri ve veri gizliliği ekipleri ile üretim
sağlık ve medya alanında Ar-Ge yapan teknik uzmanlar.

Sıkça Sorulan Sorular

Üretici Çekişmeli Ağlar (GAN) Eğitimi kimler için uygundur?

Program; derin öğrenme ve bilgisayarlı görü mühendisleri, veri bilimciler, sentetik veri ve veri gizliliği ekipleri ile üretim, sağlık ve medya alanlarında üretken modeller üzerinde Ar-Ge yapan teknik uzmanlar için tasarlanmıştır.

Difüzyon modelleri varken GAN öğrenmek neden hâlâ önemli?

GAN'lar tek adımda üretim yaptıkları için hızlı çıkarım gerektiren süper çözünürlük, görüntü dönüşümü ve gerçek zamanlı uygulamalarda güçlüdür. Sentetik tablo verisi ve anomali tespitinde yaygın kullanılır; çekişmeli kayıp güncel difüzyon hızlandırma yöntemlerinde de yer alır.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün GAN teorisi ve DCGAN, ikinci gün WGAN-GP, koşullu GAN, CycleGAN ve StyleGAN, üçüncü gün sentetik veri, anomali tespiti, değerlendirme, etik ve proje işlenir.

Katılım için hangi ön koşullar gerekiyor?

PyTorch ile evrişimli sinir ağı eğitmiş olmak, temel olasılık kavramlarını bilmek ve GPU'lu bir ortama erişim beklenir. Donanımı olmayan katılımcılar için eğitim süresince bulut GPU ortamı sağlanabilir.

Hangi araçlar kullanılıyor ve sertifika veriliyor mu?

Laboratuvarlarda PyTorch, torchvision, SDV, CTGAN, SDMetrics ve FID hesaplama araçları kullanılır; StyleGAN önceden eğitilmiş modellerle gösterilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

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

ÜRETİCİ ÇEKİŞMELİ AĞLAR EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Üretken Modellere Genel Bakış

GAN Teorisi ve Eğitim Dinamiği

DCGAN Mimarisi ve Uygulaması

GAN Eğitim Sorunlarının Teşhisi

Wasserstein GAN ve Düzenlileştirme

Koşullu GAN ve Kontrollü Üretim

Görüntüden Görüntüye Dönüşüm

StyleGAN Ailesi ve Yüksek Çözünürlük

Sentetik Tablo ve Zaman Serisi Verisi

Anomali Tespiti ve Veri Artırma

Değerlendirme, Gizlilik ve Etik

Sentetik Veri Projesi 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