Transfer Öğrenmesi Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, büyük veri setlerinde önceden eğitilmiş modellerin bilgisini kurumun sınırlı verisiyle yeni görevlere aktarmayı sağlayan transfer öğrenmesi yöntemlerini görüntü, metin ve ses alanlarında uygulamalı olarak ele alan bir programdır. Katılımcılar timm ve Hugging Face ile özellik çıkarımı, ince ayar, LoRA ve alan uyarlama tekniklerini kurumsal vakalarda uygular.

Neden Bu Eğitim?

Az Veriyle Başarı. Binlerce yerine yüzlerce etiketli örnekle yüksek başarılı modeller kurmanın yöntemlerini deneylerle öğrenin.

Çok Alanlı Yaklaşım. Görüntü, metin ve ses modellerinde aynı transfer öğrenmesi ilkelerini farklı araçlarla uygulayın.

Maliyet Verimliliği. LoRA, bilgi damıtma ve doğru model seçimiyle eğitim ve çıkarım maliyetlerini önemli ölçüde azaltın.

“Transfer öğrenmesi, dünyanın öğrendiklerini kurumunuzun kendi verisiyle buluşturarak az kaynakla büyük sonuçlar üretmenin yoludur.”

Ön Koşullar

Python ve PyTorch — Python ile rahat kod yazabilmek ve PyTorch ile basit bir model eğitmiş olmak.
Derin Öğrenme Temeli — CNN, embedding, kayıp fonksiyonu ve aşırı öğrenme kavramlarına aşinalık.
ML Değerlendirme — Eğitim-doğrulama ayrımı ve temel sınıflandırma metriklerini bilmek.
GPU Erişimi — CUDA destekli GPU'lu bir bilgisayar veya GPU sunan bulut not defteri erişimi.

Eğitim İçeriği

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

Günün hedefiTransfer öğrenmesinin teorik temellerini ve türlerini kavramak, ön eğitimli görüntü modellerini seçmek ve özellik çıkarımı ile ince ayar stratejilerini uygulamak.

Modül 1

Transfer Öğrenmesinin Temelleri

Kaynak görev, hedef görev ve bilgi aktarımı kavramı
Tümevarımsal, dönüştürücü ve gözetimsiz transfer
Katmanların genelden özele öğrendiği temsiller
Negatif transfer: ne zaman işe yaramaz?
Temel modeller (foundation models) çağında transfer
Demo: Sıfırdan eğitim ile transferin öğrenme eğrileri

Modül 2

Ön Eğitimli Model Seçimi

Hugging Face Hub ve timm model depolarında arama
Model kartları, eğitim verisi ve performans beyanları
Model lisansları ve ticari kullanım kısıtları
Boyut, gecikme ve doğruluk ödünleşimi
Kaynak ve hedef veri benzerliğinin etkisi
Atölye: Üç senaryo için model seçim matrisi

Modül 3

Özellik Çıkarımı Yaklaşımı

Omurgayı dondurup yeni sınıflandırma başlığı ekleme
Gömme vektörleri üzerinde doğrusal sonda (linear probe)
Ön hesaplanmış özelliklerle hızlı deneme döngüsü
DINOv2 gibi öz denetimli görüntü temsillerinin kullanımı
k-NN ve lojistik regresyon ile hızlı referans
Laboratuvar: 200 görüntüyle ürün sınıflandırma

Modül 4

Görüntü Modellerinde İnce Ayar

Tam ince ayar, kısmi ince ayar ve kademeli çözme
Ayrımlı öğrenme oranları ve ısınma planı
Batch normalizasyon istatistiklerinin yönetimi
Az veride güçlü veri artırma stratejileri
Aşırı öğrenme ve felaket unutmanın izlenmesi
Günün değerlendirmesi ve metin modelleri gününe köprü

Günün hedefiÖn eğitimli dil ve ses modellerini Hugging Face ile kurumsal görevlere uyarlamak, parametre verimli ince ayar uygulamak ve gömme tabanlı az örnekli yöntemleri kullanmak.

Modül 1

Dil Modellerinde İnce Ayar

BERTurk gibi Türkçe ön eğitimli kodlayıcı modeller
Hugging Face datasets ve tokenizer ile veri hazırlığı
Trainer API ile metin sınıflandırma ince ayarı
Adlandırılmış varlık tanıma için belirteç sınıflandırma
Değerlendirme ve hata analizi ile iterasyon
Laboratuvar: Türkçe şikayet kategorisi sınıflandırma

Modül 2

Parametre Verimli İnce Ayar (PEFT)

Tam ince ayarın bellek ve depolama maliyeti
LoRA ile düşük ranklı adaptör eğitimi
QLoRA ile 4-bit nicemlenmiş modelde uyarlama
Adaptör birleştirme ve çoklu görev adaptörleri
Açık ağırlıklı küçük dil modellerinin talimat ayarı
Laboratuvar: PEFT ile açık dil modeline LoRA uygulama

Modül 3

Gömme Tabanlı Az Örnekli Öğrenme

sentence-transformers ile anlamsal gömme vektörleri
SetFit ile az etiketli metin sınıflandırma
Sıfır örnekli sınıflandırma ve doğal dil çıkarımı
CLIP ile görüntüde sıfır örnekli sınıflandırma
İstem tabanlı LLM çözümü ile ince ayar karşılaştırması
Laboratuvar: Sınıf başına 8 örnekle SetFit modeli

Modül 4

Ses Modellerinde Transfer

wav2vec 2.0 ve Whisper ön eğitimli ses modelleri
Türkçe konuşma tanıma için Whisper ince ayarı
Ses sınıflandırma: arıza sesi ve olay tespiti
Spektrogram tabanlı görüntü modeli transferi
Alan gürültüsü ve kayıt koşullarına uyarlama
Günün özeti ve alan uyarlama gününe hazırlık

Günün hedefiKaynak ve hedef veri arasındaki alan farkını yönetmek, uyarlanmış modelleri damıtma ve nicemleme ile verimli hale getirmek ve kurumsal uyarlama projesini sunmak.

Modül 1

Alan Kayması ve Alan Uyarlama

Kovaryat kayması, etiket kayması ve kavram kayması
Alana özgü sürekli ön eğitim (domain-adaptive pretraining)
Etiketsiz hedef veriyle öz eğitim ve sahte etiketleme
Sentetik veri ile hedef alanın zenginleştirilmesi
Aktif öğrenme ile etiketleme bütçesinin optimizasyonu
Laboratuvar: Hukuk metinlerinde alan uyarlaması

Modül 2

Sürekli Öğrenme ve Model Güncelleme

Felaket unutma ve eski görev performansının korunması
Tekrar oynatma (replay) ve düzenlileştirme yaklaşımları
Yeni sınıf eklenmesinde artımlı öğrenme
Model sürümleme ve MLflow ile deney takibi
Veri kaymasına göre yeniden uyarlama tetikleyicileri
Uygulama: Model güncelleme politikası tasarımı

Modül 3

Uyarlanmış Modelleri Verimli Kılmak

Bilgi damıtma ile büyük modelden küçük modele aktarım
Eğitim sonrası nicemleme ve ONNX dışa aktarma
Çıkarım gecikmesi ve maliyet ölçümü
LoRA adaptörlerinin tek taban modelde servislenmesi
Uç cihaz ve şirket içi sunucu dağıtım seçenekleri
Demo: Damıtılmış modelin gecikme karşılaştırması

Modül 4

Kurumsal Uyarlama Projesi ve Kapanış

Proje: Model seçimi, uyarlama, değerlendirme, dağıtım
Takım sunumları: az veri başarısı ve maliyet analizi
Kod incelemesi ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının paylaşımı
Temel modeller ve MLOps için ileri öğrenme yolu

Eğitim Kazanımları

Transfer Stratejisi — Veri miktarı ve alan benzerliğine göre özellik çıkarımı, ince ayar veya PEFT stratejisini seçebileceksiniz.
Model Seçimi — Model kartları, lisanslar ve performans ödünleşimlerini değerlendirerek uygun ön eğitimli modeli seçebileceksiniz.
Görüntü Transferi — timm ve DINOv2 gibi modellerle az sayıda görüntüyle yüksek başarılı sınıflandırıcılar kurabileceksiniz.
Metin Transferi — Türkçe ön eğitimli dil modellerini Hugging Face ile sınıflandırma ve varlık tanıma görevlerine uyarlayabileceksiniz.
PEFT ve LoRA — LoRA ve QLoRA ile büyük modelleri sınırlı GPU belleğinde düşük maliyetle uyarlayabileceksiniz.
Az Örnekli Öğrenme — SetFit, CLIP ve sıfır örnekli yöntemlerle çok az etiketli veriyle çalışan çözümler geliştirebileceksiniz.
Alan Uyarlama — Alan kaymasını tespit edip sürekli ön eğitim, sahte etiketleme ve aktif öğrenmeyle modeli uyarlayabileceksiniz.
Verimli Dağıtım — Uyarlanmış modelleri damıtma, nicemleme ve ONNX ile üretim ortamında maliyet etkin kullanıma sunacaksınız.

Kimler İçin Uygundur?

Veri bilimciler
ML mühendisleri
sınırlı etiketli veriyle YZ çözümü geliştiren Ar-Ge ekipleri ile üretim
sağlık
finans ve kamu kurumlarının uygulama geliştirme ekipleri.

Sıkça Sorulan Sorular

Transfer Öğrenmesi Eğitimi kimler için uygundur?

Program; veri bilimciler, ML mühendisleri, sınırlı etiketli veriyle YZ çözümü geliştiren Ar-Ge ekipleri ile üretim, sağlık, finans ve kamu kurumlarının uygulama geliştirme ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün temeller ve görüntü modelleri, ikinci gün metin ve ses modellerinde transfer ile PEFT, üçüncü gün alan uyarlama, verimli dağıtım ve kurumsal proje işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve PyTorch ile basit bir model eğitmiş olmak, CNN ve embedding gibi temel derin öğrenme kavramlarına aşinalık ve temel metrik bilgisi beklenir. GPU erişimi önerilir.

Kendi modelimizi sıfırdan eğitmek yerine neden transfer öğrenmesi kullanmalıyız?

Ön eğitimli modeller genel temsilleri zaten öğrendiği için daha az etiketli veri, daha kısa eğitim süresi ve daha düşük hesaplama maliyetiyle genellikle daha iyi sonuç verir; eğitimde bu fark deneylerle gösterilir.

Eğitimde hangi araçlar kullanılıyor, sertifika veriliyor mu?

PyTorch, timm, Hugging Face transformers, datasets, PEFT, sentence-transformers, SetFit, ONNX Runtime ve MLflow kullanılır. Projeyi 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

TRANSFER ÖĞRENMESİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Transfer Öğrenmesinin Temelleri

Ön Eğitimli Model Seçimi

Özellik Çıkarımı Yaklaşımı

Görüntü Modellerinde İnce Ayar

Dil Modellerinde İnce Ayar

Parametre Verimli İnce Ayar (PEFT)

Gömme Tabanlı Az Örnekli Öğrenme

Ses Modellerinde Transfer

Alan Kayması ve Alan Uyarlama

Sürekli Öğrenme ve Model Güncelleme

Uyarlanmış Modelleri Verimli Kılmak

Kurumsal Uyarlama 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