Yapay Sinir Ağları ve Derin Öğrenme Temelleri Eğitimi

Eğitim Hakkında

Bu eğitim, yapay sinir ağlarının matematiksel temellerini, eğitim sürecini ve günümüz yapay zekasını şekillendiren temel mimarileri sezgisel ve uygulamalı biçimde ele alan kapsamlı bir giriş programıdır. Katılımcılar önce NumPy ile sıfırdan bir ağ kodlar, ardından PyTorch ile görüntü, metin ve tablo verisinde derin öğrenme modelleri eğitir.

Neden Bu Eğitim?

Kara Kutuyu Açın. İleri yayılım ve geri yayılımı kendi kodunuzla uygulayarak sinir ağlarının nasıl öğrendiğini gerçekten anlayın.

Eğitim Ustalığı. Öğrenme oranı, düzenlileştirme ve normalizasyon gibi ayarların eğitim üzerindeki etkisini deneylerle görün.

Mimari Haritası. CNN, RNN ve Transformer mimarilerinin hangi problemi neden çözdüğünü tek bir çerçevede kavrayın.

“Derin öğrenmenin sırrı karmaşık formüllerde değil, basit adımların sabırla tekrarlanarak veriden anlam çıkarmasındadır.”

Ön Koşullar

Python ve NumPy — Python fonksiyonları yazabilmek ve NumPy dizileriyle temel işlemler yapabilmek.
Temel Matematik — Türev, matris çarpımı ve olasılık kavramlarına lise-üniversite düzeyinde aşinalık.
Temel ML Bilgisi — Eğitim-test ayrımı, aşırı öğrenme ve kayıp fonksiyonu kavramlarını genel olarak bilmek.
Çalışma Ortamı — PyTorch ve Jupyter kurulu bir bilgisayar veya GPU destekli bulut not defteri erişimi.

Eğitim İçeriği

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

Günün hedefiYapay nöron ve çok katmanlı algılayıcının yapısını kavramak, kayıp fonksiyonu ve gradyan inişini anlamak, geri yayılımı NumPy ile sıfırdan uygulamak.

Modül 1

Derin Öğrenmeye Giriş

Yapay zeka, makine öğrenmesi ve derin öğrenme ilişkisi
Derin öğrenmenin yükselişi: veri, GPU ve algoritmalar
Temsil öğrenme: özellik mühendisliğinden öğrenilen özelliğe
Görüntü, dil, ses ve tablo verisinde kullanım alanları
Derin öğrenmenin sınırları ve ne zaman gerekmediği
Demo: Eğitilmiş bir ağın katmanlarını görselleştirme

Modül 2

Yapay Nöron ve Çok Katmanlı Algılayıcı

Biyolojik esin ve algılayıcı (perceptron) modeli
Ağırlıklar, yanlılık terimi ve doğrusal birleşim
Aktivasyon fonksiyonları: sigmoid, tanh, ReLU, GELU
Çok katmanlı algılayıcı (MLP) ve evrensel yaklaşım
İleri yayılımın matris işlemleriyle hesaplanması
Laboratuvar: NumPy ile ileri yayılım kodlama

Modül 3

Kayıp Fonksiyonları ve Gradyan İnişi

Ortalama kare hata ve çapraz entropi kaybı
Softmax çıktısı ile çok sınıflı olasılıklar
Gradyan kavramı ve kayıp yüzeyi sezgisi
Toplu, stokastik ve mini-batch gradyan inişi
Öğrenme oranının yakınsamaya etkisi
Laboratuvar: Gradyan inişini adım adım görselleştirme

Modül 4

Geri Yayılım Algoritması

Zincir kuralı ve hesaplama grafiği yaklaşımı
Katman katman gradyanların geriye aktarılması
Kaybolan ve patlayan gradyan problemleri
Otomatik türev alma (autograd) mantığı
Laboratuvar: NumPy ile iki katmanlı ağı sıfırdan eğitme
Günün değerlendirmesi ve PyTorch gününe köprü

Günün hedefiPyTorch ile model tanımlama ve eğitim döngüsü kurmak, optimizasyon algoritmalarını ve düzenlileştirme tekniklerini uygulayarak kararlı eğitim sağlamak.

Modül 1

PyTorch ile Model Kurma Temelleri

Tensörler, cihaz seçimi ve GPU üzerinde hesaplama
autograd ile otomatik gradyan hesaplama
nn.Module ile katman ve model tanımlama
Dataset ve DataLoader ile veri yükleme
PyTorch ile Keras yaklaşımlarının kısa karşılaştırması
Laboratuvar: NumPy ağının PyTorch'a taşınması

Modül 2

Eğitim Döngüsü ve Değerlendirme

İleri geçiş, kayıp, geri yayılım ve adım döngüsü
Doğrulama döngüsü ve model modları: train ve eval
Eğitim ve doğrulama eğrilerinin izlenmesi
Model kaydetme, yükleme ve kontrol noktaları
TensorBoard ile deney görselleştirme
Laboratuvar: Fashion-MNIST üzerinde MLP eğitimi

Modül 3

Optimizasyon Algoritmaları

Momentum ve Nesterov hızlandırmalı gradyan
RMSProp, Adam ve AdamW optimizasyonu
Öğrenme oranı planlayıcıları ve ısınma (warmup)
Ağırlık başlatma: Xavier ve He yöntemleri
Batch boyutunun genelleme ve hıza etkisi
Laboratuvar: Optimizasyon algoritmalarının karşılaştırması

Modül 4

Düzenlileştirme ve Normalizasyon

Aşırı öğrenme belirtileri ve erken durdurma
Dropout ve ağırlık çürümesi (weight decay)
Batch normalizasyonu ve katman normalizasyonu
Veri artırma ile genellemenin güçlendirilmesi
Hata ayıklama: öğrenmeyen ağ için kontrol listesi
Günün değerlendirmesi ve mimariler gününe köprü

Günün hedefiEvrişimli, tekrarlayan ve Transformer mimarilerinin temel mantığını kavramak, önceden eğitilmiş modellerden yararlanmak ve uçtan uca mini proje geliştirmek.

Modül 1

Evrişimli Sinir Ağlarına Giriş

Görüntü verisinde MLP'nin sınırları
Evrişim, filtre, adım ve dolgu kavramları
Havuzlama katmanları ve özellik haritaları
Temel CNN mimarisi ve ResNet'in katkısı
Önceden eğitilmiş model ile transfer öğrenmeye giriş
Laboratuvar: CIFAR-10 üzerinde basit CNN eğitimi

Modül 2

Tekrarlayan Ağlar ve Sıralı Veri

Sıralı verinin özellikleri ve zaman bağımlılığı
Basit RNN yapısı ve zamanda geri yayılım
LSTM ve GRU hücrelerinin kapı mekanizmaları
Kelime gömmeleri (embedding) ile metin temsili
Zaman serisi ve metin sınıflandırma kullanımları
Laboratuvar: LSTM ile duygu analizi modeli

Modül 3

Dikkat Mekanizması ve Transformer

RNN'lerin uzun bağlamdaki sınırları
Dikkat mekanizması: sorgu, anahtar ve değer sezgisi
Transformer bloğu: çok başlı dikkat ve konum bilgisi
BERT ve GPT aileleri: kodlayıcı ve kod çözücü farkı
Büyük dil modellerinin derin öğrenme temelleri
Demo: Hugging Face ile hazır modelle metin sınıflandırma

Modül 4

Uçtan Uca Mini Proje ve Kapanış

Proje: Veri, model, eğitim ve değerlendirme döngüsü
Takım sunumları ve eğitim eğrilerinin yorumlanması
Kod incelemesi ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin paylaşımı
İleri öğrenme yol haritası: CNN, NLP ve MLOps

Eğitim Kazanımları

Kavramsal Temel — Yapay nöron, katman, aktivasyon ve kayıp fonksiyonu kavramlarını doğru terminolojiyle açıklayabileceksiniz.
Geri Yayılım — Zincir kuralına dayanan geri yayılım algoritmasını NumPy ile sıfırdan kodlayıp çalıştırabileceksiniz.
PyTorch Yetkinliği — Tensör, autograd, nn.Module ve DataLoader ile PyTorch'ta eksiksiz bir eğitim döngüsü yazabileceksiniz.
Optimizasyon — Adam, AdamW, öğrenme oranı planlayıcıları ve doğru ağırlık başlatma ile kararlı eğitim sağlayabileceksiniz.
Düzenlileştirme — Dropout, ağırlık çürümesi, normalizasyon ve veri artırma ile aşırı öğrenmeyi kontrol edebileceksiniz.
Mimari Seçimi — Görüntü, sıralı veri ve metin problemleri için CNN, LSTM veya Transformer tercihini gerekçelendirebileceksiniz.
Hata Ayıklama — Eğitim eğrilerini yorumlayarak öğrenmeyen veya aşırı öğrenen ağların sorunlarını teşhis edebileceksiniz.
Uçtan Uca Proje — Veri hazırlığından değerlendirmeye kadar tüm adımları içeren bir derin öğrenme projesini tamamlayacaksınız.

Kimler İçin Uygundur?

Derin öğrenmeye adım atmak isteyen veri analistleri
veri bilimciler
yazılım geliştiriciler
mühendisler ve YZ projelerinde teknik rol üstlenecek ekip üyeleri.

Sıkça Sorulan Sorular

Yapay Sinir Ağları ve Derin Öğrenme Temelleri Eğitimi kimler için uygundur?

Program; derin öğrenmeye başlamak isteyen veri analistleri, veri bilimciler, yazılım geliştiriciler, mühendisler ve YZ projelerinde teknik rol üstlenecek ekip üyeleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün sinir ağlarının matematiği ve sıfırdan kodlama, ikinci gün PyTorch ile eğitim, üçüncü gün CNN, RNN ve Transformer mimarileri ile mini proje işlenir.

Katılım için ne kadar matematik ve programlama bilgisi gerekiyor?

Python ve NumPy ile çalışabilmek, türev ve matris çarpımına temel aşinalık yeterlidir. Matematiksel kavramlar görsel sezgi ve kod üzerinden anlatılır.

Eğitimde hangi araçlar kullanılıyor, GPU gerekli mi?

NumPy, PyTorch, TensorBoard ve Hugging Face kütüphaneleri kullanılır. Laboratuvarlar küçük veri setleriyle tasarlandığından CPU ile yürütülebilir; GPU destekli bulut not defteri süreyi kısaltır.

Eğitim sonunda sertifika veriliyor mu?

Evet. Laboratuvarları ve mini projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır; not defterleri ve ileri öğrenme yol haritası paylaşılır.

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

YAPAY SİNİR AĞLARI VE DERİN ÖĞRENME TEMELLERİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Derin Öğrenmeye Giriş

Yapay Nöron ve Çok Katmanlı Algılayıcı

Kayıp Fonksiyonları ve Gradyan İnişi

Geri Yayılım Algoritması

PyTorch ile Model Kurma Temelleri

Eğitim Döngüsü ve Değerlendirme

Optimizasyon Algoritmaları

Düzenlileştirme ve Normalizasyon

Evrişimli Sinir Ağlarına Giriş

Tekrarlayan Ağlar ve Sıralı Veri

Dikkat Mekanizması ve Transformer

Uçtan Uca Mini 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