TensorFlow ile Derin Öğrenme Eğitimi

Eğitim Hakkında

Bu eğitim, TensorFlow ve Keras 3 ekosistemini kullanarak derin öğrenme modellerini veri hattından eğitime, optimizasyondan üretim ortamına dağıtıma kadar uçtan uca geliştirmek isteyen profesyoneller için tasarlanmış uygulamalı bir programdır. Katılımcılar görüntü, metin ve zaman serisi modellerini kurar, ayarlar ve servis veya mobil ortam için dışa aktarır.

Neden Bu Eğitim?

Keras 3 ile Esneklik. Sequential, Functional ve alt sınıf API'lerini doğru yerde kullanarak basit ve karmaşık modelleri hızla kurun.

Performanslı Eğitim. tf.data, karma hassasiyet, XLA ve dağıtık stratejilerle eğitim süresini ve kaynak kullanımını optimize edin.

Üretime Taşıma. Modelleri SavedModel, TensorFlow Serving ve LiteRT ile sunucu, mobil ve uç cihazlara dağıtmayı öğrenin.

“Bir derin öğrenme modeli ancak veri hattından dağıtıma kadar sağlam kurulduğunda gerçek kullanıcıya ve gerçek değere ulaşır.”

Ön Koşullar

Python ve NumPy — Python sınıf ve fonksiyonları yazabilmek, NumPy ile dizi işlemleri yapabilmek.
Sinir Ağı Temelleri — Katman, aktivasyon, kayıp fonksiyonu ve geri yayılım kavramlarına aşinalık.
ML Deneyimi — scikit-learn veya benzeri bir araçla model eğitip değerlendirmiş olmak.
Çalışma Ortamı — TensorFlow kurulu bir bilgisayar veya GPU destekli Google Colab erişimi.

Eğitim İçeriği

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

Günün hedefiTensorFlow ve Keras 3 mimarisini kavramak, verimli tf.data hatları kurmak, üç model API'siyle ağ tanımlayıp geri çağırmalar ve TensorBoard ile eğitim yönetmek.

Modül 1

TensorFlow Ekosistemi ve Tensörler

TensorFlow 2 ve çoklu arka uçlu Keras 3 mimarisi
Tensörler, değişkenler ve eager yürütme
GradientTape ile otomatik türev hesaplama
tf.function ile grafik derleme ve performans
GPU erişimi ve cihaz yerleşiminin kontrolü
Laboratuvar: GradientTape ile doğrusal model eğitimi

Modül 2

tf.data ile Veri Hatları

tf.data.Dataset oluşturma: bellek, dosya, görüntü
map, batch, shuffle ve prefetch dönüşümleri
cache ve AUTOTUNE ile giriş hattı performansı
TFRecord formatı ile büyük veri setleri
Keras ön işleme katmanları ile modele gömülü dönüşüm
Laboratuvar: Görüntü klasöründen verimli veri hattı

Modül 3

Keras Model API'leri

Sequential API ile hızlı model prototipleme
Functional API ile çok girdili ve çok çıktılı modeller
Model alt sınıflama ile özel katman ve modeller
compile: optimizasyon, kayıp ve metrik seçimi
Özel kayıp fonksiyonu ve metrik yazımı
Laboratuvar: Tablo verisi için Functional API modeli

Modül 4

Eğitim Yönetimi ve İzleme

fit, evaluate ve predict ile temel iş akışı
EarlyStopping, ModelCheckpoint ve ReduceLROnPlateau
TensorBoard ile kayıp, metrik ve histogram izleme
Aşırı öğrenmeye karşı dropout ve düzenlileştirme
Model kaydetme: .keras formatı ve ağırlık dosyaları
Günün değerlendirmesi ve uygulama alanları gününe köprü

Günün hedefiKeras ile evrişimli, metin ve zaman serisi modelleri geliştirmek, önceden eğitilmiş modellerle transfer öğrenme yapmak ve KerasTuner ile modelleri ayarlamak.

Modül 1

Evrişimli Ağlarla Görüntü Sınıflandırma

Conv2D, pooling ve global ortalama havuzlama
Keras veri artırma katmanları ile genelleme
Batch normalizasyonu ve artık bağlantılar
Karışıklık matrisi ile sınıf bazlı hata analizi
Grad-CAM ile modelin odaklandığı bölgeler
Laboratuvar: Ürün görüntüsü sınıflandırma modeli

Modül 2

Transfer Öğrenme ve Hazır Modeller

Keras Applications: EfficientNet, ResNet, MobileNet
Özellik çıkarımı ve katman dondurma stratejisi
İnce ayar için kademeli çözme ve düşük öğrenme oranı
KerasHub ile hazır görüntü ve dil modelleri
Az veriyle yüksek başarı için pratik yaklaşımlar
Laboratuvar: EfficientNet ile kalite kontrol modeli

Modül 3

Metin ve Zaman Serisi Modelleri

TextVectorization ve Embedding katmanları
LSTM ve GRU katmanlarıyla sıralı modelleme
Transformer kodlayıcı bloğu ile metin sınıflandırma
timeseries_dataset_from_array ile pencereleme
Çok adımlı zaman serisi tahmini ve değerlendirme
Laboratuvar: Otel yorumlarında Keras ile duygu sınıflandırma

Modül 4

KerasTuner ile Hiperparametre Ayarı

Arama uzayının model oluşturma fonksiyonunda tanımı
RandomSearch, Hyperband ve Bayesçi optimizasyon
Katman sayısı, birim ve öğrenme oranı araması
Erken durdurma ile arama maliyetinin azaltılması
Laboratuvar: Görüntü modelinin KerasTuner ile ayarı
Günün özeti ve performans ile dağıtım gününe hazırlık

Günün hedefiÖzel eğitim döngüleri ve performans optimizasyonlarını uygulamak, dağıtık eğitimi kavramak, modelleri sunucu ve mobil ortama dağıtıp uçtan uca projeyi tamamlamak.

Modül 1

Özel Eğitim Döngüleri

GradientTape ile adım adım özel eğitim döngüsü
train_step metodunu geçersiz kılarak fit özelleştirme
Çoklu kayıp ve ağırlıklı hedeflerin yönetimi
Gradyan kırpma ve sayısal kararlılık
Özel geri çağırma (callback) sınıfı yazımı
Laboratuvar: Özel döngüyle çok görevli model eğitimi

Modül 2

Performans Optimizasyonu ve Dağıtık Eğitim

Karma hassasiyet (mixed precision) ile hızlanma
XLA derleme ve jit_compile seçeneği
TensorBoard Profiler ile darboğaz analizi
MirroredStrategy ile çoklu GPU eğitimi
Vertex AI üzerinde yönetilen eğitim işlerine giriş
Demo: Tek GPU ile çoklu GPU eğitim süresi karşılaştırması

Modül 3

Model Dışa Aktarma ve Dağıtım

SavedModel dışa aktarma ve imza (signature) tanımı
TensorFlow Serving ile REST ve gRPC servisleme
LiteRT ile mobil ve uç cihaz dönüşümü
Eğitim sonrası nicemleme ile model küçültme
TensorFlow.js ile tarayıcıda çıkarım seçenekleri
Demo: Docker ile TensorFlow Serving uç noktası

Modül 4

Uçtan Uca TensorFlow Projesi ve Kapanış

Proje: Veri hattı, model, ayar ve dışa aktarma
Takım sunumları ve performans sonuçlarının analizi
Kod incelemesi ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının paylaşımı
TFX ve MLOps için ileri öğrenme yol haritası

Eğitim Kazanımları

TensorFlow Temelleri — Tensör, GradientTape ve tf.function kavramlarıyla TensorFlow'un çalışma mantığını uygulamada kullanabileceksiniz.
Veri Hatları — tf.data, TFRecord ve ön işleme katmanlarıyla büyük veri setleri için performanslı giriş hatları kurabileceksiniz.
Keras Ustalığı — Sequential, Functional ve alt sınıflama API'leriyle ihtiyaca uygun esneklikte modeller tasarlayabileceksiniz.
Görüntü Modelleri — CNN ve EfficientNet tabanlı transfer öğrenmeyle görüntü sınıflandırma modelleri geliştirebileceksiniz.
Metin ve Zaman Serisi — Embedding, LSTM ve Transformer katmanlarıyla metin ve zaman serisi problemlerini modelleyebileceksiniz.
Model Ayarı — KerasTuner ile Hyperband ve Bayesçi aramayı kullanarak model mimarisini ve parametreleri ayarlayabileceksiniz.
Performans ve Ölçek — Karma hassasiyet, XLA ve MirroredStrategy ile eğitimi hızlandırıp çoklu GPU'ya ölçekleyebileceksiniz.
Model Dağıtımı — Modellerinizi TensorFlow Serving, LiteRT ve TensorFlow.js ile farklı ortamlarda kullanıma sunacaksınız.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
TensorFlow tabanlı projelerde çalışan yazılım geliştiriciler ve Google Cloud ekosisteminde YZ geliştiren ekipler.

Sıkça Sorulan Sorular

TensorFlow ile Derin Öğrenme Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi mühendisleri, TensorFlow tabanlı projelerde çalışan yazılım geliştiriciler ve Google Cloud ekosisteminde YZ çözümleri geliştiren ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün TensorFlow ve Keras temelleri, ikinci gün görüntü, metin ve zaman serisi modelleri, üçüncü gün performans, dağıtık eğitim ve model dağıtımı işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve NumPy ile çalışabilmek, katman, aktivasyon ve geri yayılım gibi temel sinir ağı kavramlarını bilmek ve daha önce bir ML modeli eğitmiş olmak beklenir.

Eğitimde TensorFlow'un hangi bileşenleri kullanılıyor?

Keras 3, tf.data, TensorBoard, KerasTuner, KerasHub, TensorFlow Serving, LiteRT ve TensorFlow.js kullanılır; ölçekleme için MirroredStrategy ve Vertex AI yönetilen eğitimi tanıtılır.

Bu eğitim PyTorch eğitimi yerine mi tercih edilmeli?

Kurumun mevcut altyapısı TensorFlow, Keras veya Google Cloud tabanlıysa ya da mobil ve tarayıcı dağıtımı öncelikliyse bu program uygundur. 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

TENSORFLOW İLE DERİN ÖĞRENME EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

TensorFlow Ekosistemi ve Tensörler

tf.data ile Veri Hatları

Keras Model API'leri

Eğitim Yönetimi ve İzleme

Evrişimli Ağlarla Görüntü Sınıflandırma

Transfer Öğrenme ve Hazır Modeller

Metin ve Zaman Serisi Modelleri

KerasTuner ile Hiperparametre Ayarı

Özel Eğitim Döngüleri

Performans Optimizasyonu ve Dağıtık Eğitim

Model Dışa Aktarma ve Dağıtım

Uçtan Uca TensorFlow 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