Keras ile Derin Öğrenmeye Giriş

Bu eğitim BTK Akademi - 1 Milyon İstihdam Projesi için Merve Ayyüce Kızrak tarafından hazırlanmıştır.

Eğitime buradan ulaşabilirsiniz.

Eğitimin tanıtım videosuna buradan ulaşabilirsiniz.

Eğitimin Amacı:

Bu eğitim baştan sona derin öğrenme temelleri üzerine hazırlanmıştır. Matematiksel teorik bilgileri uygulamalı olarak ele alan bir eğitimdir. Python programlama dili ve Keras derin öğrenme kütüphanesini araç olarak kullanan bu eğitimde uygulamaları bulut üzerinde gerçekleştirmenin kolaylığından da faydalanılacaktır. Eğitimin sonunda bilgisayarlı görü, dizi modeller, üretici modeller ile ilgili temeller uygulayabilir olunacaktır. Ayrıca derin öğrenme modellerinin iyileştirilmesi için bilinmesi gereken incelikler de dersin kapsamındadır. Kapanışta derin öğrenmenin limitleri, geleceği ve topluma etkisi hakkında da vizyon çizilmektedir.

---

Eğitim Gereksinimleri (Ön Koşul Beceriler):

• Temel matematik bilgisi
• Temel lineer cebir ve istatistik bilgisi
• Temel Python programlama dili bilgisi
• Temel makine öğrenmesi bilgisi

---

Kursu Kimler Almalı:

• Yapay zekâ temellerini öğrenmek isteyenler
• Derin öğrenme yöntemlerini öğrenmek isteyenler
• Python programlama dili ve Keras kütüphanesini kullanarak derin öğrenme modelleri ile çalışmak isteyenler

---

Eğitim için sıkça sorulan sorular (SSS) ve yanıtlarına buradan ulaşabilirsiniz. Ayrıca konuya derinlemesine dalmak için daha fazla soru ve cevap için Yapay Zekâ ve Derin Öğrenmeye Başlama Rehberi yazıma da göz atabilirsiniz.

📺 BTK Akademi ile geçekleştidiğimiz ve eğitimn kapsamındaki YouTube sohbeti ise hemen burada 👈🏻

---

EĞİTİM İÇERİĞİ

BÖLÜM 1: Motivasyon ve Derin Öğrenmeye Giriş

• Motivasyon
• Yapay Zekâ Nedir, Tarihçesi ve Kilometre Taşları
• Veri Nedir ve Yapay Zekâ ile İlişkisi
• Derin Öğrenme Nedir ve Terminolojisi

BÖLÜM 2: Derin Öğrenme Alet Çantası (Uygulamalı)

• Derin Öğrenmeyi Başarılı Yapan Farkları
• Derin Öğrenme için Donanım, Programlama Dilleri ve Kütüphaneler
• Derin Öğrenme için Veri ve Algoritmalar
• Derin Öğrenme Uygulama Ortamları

BÖLÜM 3: Derin Öğrenmenin Matematiksel Temelleri (Uygulamalı)

• Vektörler / Matrisler / Tensörler
• Türev ve Gerekliliği
• Stokastik Gradyan İniş ve Optimizasyon
• Zincir Kuralı ve Geriye Yayılım Algoritması
• MNIST Veri Kümesinde Sinir Ağı Modeli Oluşturma ve Eğitme

BÖLÜM 4: Derin Sinir Ağları (Uygulamalı)

• Katmanlar
• Modeller
• Kayıp Fonksiyonları
• Optimizasyon Algoritmaları
• State-of-the-Art Modellerin İncelenmesi

BÖLÜM 5: Yapay Öğrenme Temelleri ve Düzenlileştirme Yaklaşımları (Uygulamalı)

• Denetimli Öğrenme
• Denetimsiz Öğrenme
• Yarı-Denetimli Öğrenme
• Pekiştirmeli Öğrenme
• Yapay Öğrenme Temelleri ve Düzenlileştirme Yaklaşımları
• Eğitim, Doğrulama, Test Kümelerinin Oluşturulması ve Başarı Ölçütlerinin Belirlenmesi
• Veri Artırma
• Aşırı Uydurma, Az Uydurma ve Erken Durdurma
• Aktivasyon Fonksiyonları
• Optimizasyon Algoritmalarının Belirlenmesi
• Aktarımlı Öğrenme, Çoklu-Görev Öğrenme

BÖLÜM 6: Evrişimli Sinir Ağları (Uygulamalı)

• Evrişimli Sinir Ağı Kullanım Alanları
• Evrişimli Sinir Ağı Modelleme Adımları
• Evrişimli Sinir Ağı Eğitme, Sonuçları Değerlendirme ve Görselleştirme
• Nesne Tanıma Örnek Uygulamalar
• Yüz Görüntülerin Duygu Tanıma Örnek Uygulamalar

BÖLÜM 7: Yinelemeli Sinir Ağları (Uygulamalı)

• Yinelemeli Sinir Ağları Kullanım Alanları
• Dizi Modellerin Oluşturulması
• Uzun-Kısa Vadeli Bellek Modeller
• Basit Yinelemeli Sinir Ağı Oluşturma
• IMDB Verisinde RNN ve LSTM Uygulaması

BÖLÜM 8: Üretici Modeller (Uygulamalı)

• Üretici Modellerin Kullanım Alanları
• DeepDream
• Stil Aktarımı
• Değişimsel Otokodlayıcılar
• Üretici Çekişmeli Ağlar
• Sentetik Veri Üretimi Uygulamaları

BÖLÜM 9: İleri Seviye Derin Öğrenme Uygulamaları ve Anahtar Kavramlar (Uygulamalı)

• Keras API Kullanımı
• TensorBoard Görselleştirme Kütüphanesinin Kullanımı
• Derin Öğrenme için Kilit Teknolojiler
• Derin Öğrenme Çalışmalarında Günceli Takip Etmek için İzlenecek Yollar

BÖLÜM 10: Derin Öğrenmenin Limitleri ve Sosyal Topluma Etkisi Derin Öğrenmenin Limitleri

• Derin Öğrenmenin Geleceği
• Derin Öğrenmede Yanlılık ve Saldırıya Karşı Direnç İncelemesi
• Derin Öğrenmenin Sosyal Topluma Etkisi ve Gelişmekte Olan İş Alanları

---

Ders içinde kullanılan teknik terimler için öneri sözlük:

Yapay Zekâ Araştırma İnisiyatifi Çevrimiçi Yapay Öğrenme Sözlüğü: https://yz-ai.github.io/sozluk Sözlük İngilizce-Türkçe ve Türkçe-İngilizce olarak arama yapmaya uygun şekilde Prof. Dr. Ethem Alpaydın’ın Yapay Öğrenme kitabındaki sözlükten kaynak alınarak hazırlanmıştır.

---

Tavsiye Edilen/Yardımcı Kaynaklar:

1- Yapay Zekâ ve Derin Öğrenmeye Başlama Rehberi

2- Stanford Üniversitesi Derin Öğrenme Ders Notları - Türkçe

3- Yapay Zekâ Araştırma İnisiyatifi – Türkçe Kaynaklar

4- Kapsamlı Derin Öğrenme Rehberi

5- Derin Öğrenme Kitabı

6- Keras Dokümantasyonu

7- Python ile Derin Öğrenme

---

Atıf Dosya Bağlantıları:

1. Temel Kaynak
2. Genel Kaynak
3. Genel Kaynak
4. 1_Motivasyon ve Derin Öğrenmeye Giriş
5. 2_Derin Öğrenmenin Matematiksel Temelleri
6. 4_State of the Art Modellerin İncelenmesi
7. 4_State of the Art Modellerin İncelenmesi
8. 4_State of the Art Modellerin İncelenmesi
9. 4_State of the Art Modellerin İncelenmesi
10. 4_State of the Art Modellerin İncelenmesi
11. 4_State of the Art Modellerin İncelenmesi
12. 5_Aktivasyon Fonksiyonları
13. 5_Yapay Öğrenme Temelleri ve Düzenlileştirme Yaklaşımları
14. 5_Optimizasyon Algoritmalarının Belirlenmesi
15. 6_Evrişimli Sinir Ağları
16. 7_Yinelemeli Sinir Ağları
17. 7_Yinelemeli Sinir Ağları
18. 7_Yinelemeli Sinir Ağları
19. 7_Yinelemeli Sinir Ağları
20. 8_Üretici Çekişmeli Ağlar
21. 8_Üretici Çekişmeli Ağlar
22. 8_Üretici Çekişmeli Ağlar