Yapay Zeka ve Makine Öğrenmesi


Online Yapay Zeka ve Makine Öğrenmesi Kursu (220 saat)

KURSA ÖN KAYIT YAPTIRABİLİRSİNİZ

  • Gözden Geçirme ve Hazırlık

    • Yapay Zeka ve Makine Öğrenmesi İçin Neden Python?
    • Yapay Zeka ve Makine Öğrenmesinde Diğer Programlama Dillerinin Avantajları ve Dezavantajları
    • Python Programlama Dilinin Yeniden Gözden Geçirilmesi
    • Scipy, Numpy, Pandas ve Matplotlib Kütüphanelerinin Yeniden Gözden Geçirilmesi
  • Giriş ve Temel Bilgiler

    • Yapay Zeka Çalışmalarının Tarihsel Gelişimi
    • Yapay Zekanın Alt Alanları
    • Yapay Zekanın Uygulama Alanları
    • Öğrenme Nedir? Makineler Öğrenebilir mi?
    • İnsan Öğrenmesinin Bilinen Süreçleri (Klasik Koşullanma, Edimsel Koşullanma, Bilişsel Öğrenme, Sosyal Bilişsel Öğrenme)
    • Makine Öğrenmesi Nedir?
    • Makine Öğrenmesinin Çeşitleri: Denetimli (Supervised) Öğrenme, Denetimsiz (Unsupervised) Öğrenme ve Pekiştirmeli (Reinforcement) Öğrenme Kavramları
    • Makine Öğrenmesinin Diğer Disiplinlerle İlgisi
    • Makine Öğrenmesi İçin Ne Kadar Matematik ve İstatistik Bilmek Gerekir?
    • Python’da Veri Kümelerinin Dosyalardan Okunması ve Kullanıma Hazır Hale Getirilmesi
  • Biraz İstatistik

    • İstatistiksel Ölçek Türleri
    • Kategorik (Nominal) ve Sıralı (Ordinal) Verilerin Sayısal Biçime Dönüştürülmesi
    • One Hot Encoding Dönüştürmesi
    • Betimsel (Descriptive) ve Çıkarımsal (Inferential) İstatistik
    • Anakütle ve Örneklem Kavramları
    • Olasılıkla İlgili Temel Bilgiler
    • Python’da Betimsel İstatistik İle İlgili Kütüphanelerin Yeniden Gözden Geçirilmesi
    • Rassal Değişken Kavramı
    • Olasılık Dağılımları
    • Çok Karşılaşılan Bazı Sürekli Dağılımlar
    • Merkezi Limit Teoremi
    • Güven Aralıkları (Confidence Intervals)
    • İstatistiksel Hipotez Testleri Hakkında Temel Bilgiler, Hipotez Testlerinde Kullanılan Kavramlar, Terimler ve Onların Anlamları
  • Yapay Sinir Ağları

    • İnsanın Sinir Sisteminin Anatomi ve Fizyolojisi İle İlgili Temel Bilgiler (Nöronlar, Nörotransmiter’ler, Sinaps’lar, Reseptörler, …)
    • Öğrenme Beyinde Nasıl Gerçekleşmektedir?
    • Bilgiler Beyinde Nasıl Tutulmaktadır?
    • Duyum ve Algı Kavramları
    • Beynin Bilinenleri ve Bilinmeyenleri
    • Yapay Sinir Ağı Nedir?
    • Yapay Sinir Ağlarının Tarihsel Gelişimi
    • Yapay Sinir Ağlarının Uygulama Alanları
    • Yapay Nöron Modeli
    • Yapay Bir Nöronun Python’da Sınıfsal Temsili
    • Aktivasyon Fonksiyonları ve Nöron Bağlantıları
    • Yapay Sinir Ağlarında Katmanlar
    • Yapay Sinir Ağlarında Yaygın Kullanılan Kütüphaneler ve Framework’ler
    • Denetimli Yapay Sinir Ağlarında Veri Kümeleri (Eğitim Veri Kümesi, Sınama Veri Kümesi ve Test Veri Kümesi)
    • Keras Kütüphanesinin Kısa Tarihi
    • Keras Kütüphanesinin Kurulumu
    • Yapay Sinir Ağlarının Keras Kütüphanesi İle Yüksek Seviyeli Biçimde Oluşturulması
    • Girdi Katmanlarının, Ara Katmanların ve Çıktı Katmanlarının Oluşturulması
    • Loss Fonksiyonlarının Anlamı ve Çok Kullanılan Loss Fonksiyonları
    • Optimizasyon Algoritmalarının Anlamı ve Çok Kullanılan Optimizasyon Algoritmaları
    • Keras’ta Yapay Sinir Ağı Modelinin Eğitilmesi
    • Epoch ve Batch Kavramları
    • Sınama (Validation) İşleminin Anlamı
    • Test Veri Kümesi ve Yapay Sinir Ağı Modelinin Test Edilmesi
    • Keras Modelinin Dosyalarda Saklanması ve Geri Yüklenmesi
    • Keras’ta Callback Mekanizması
    • Yapay Sinir Ağlarında Özellik Ölçeklemeleri (Feature Scaling)
    • Yapay Sinir Ağlarında “Overfitting” ve “Underfitting” Olguları
    • Kestirim Modeli Olarak Yapay Sinir Ağı Modelleri ile İstatistiksel Regresyon Modelleri Arasındaki Farklılıklar ve Benzerlikler
    • Yapay Sinir Ağlarıyla Sınıflandırma (Lojistik Regresyon) Problemleri
    • Çok Sınıflı (Multinomial) ve Çok Etiketli (Multilabel) Sınıflandırma Modelleri
    • Yapay Sinir Ağlarıyla Lojistik Olmayan Regresyon Modelleri
    • Yapay Sinir Ağlarında Evrişim (Convolution) İşlemleri ve Evrişimsel Sinir Ağları
    • Keras’ta Evrişimsel Sinir Ağları İle İşlemler
    • Evrişimsel Sinir Ağı Modellerinde Nöron Sayılarının Azaltılması (Downsampling)
    • Keras’ta Eğitimin Belli Bir Durumda Sonlandırılması
    • Geri Beslemeli Sinir Ağları (Recurrent Neural Networks)
    • Geri Beslemeli Sinir Ağlarında SimpleRNN, LSTM ve GRU Katmanları
    • Çift Yönlü LSTM Katmanları
    • Geri Beslemeli Sinir Ağlarının Kestirimde Kullanılmaları
    • Geri Beslemeli Sinir Ağlarına İlişkin Örnekler
    • Autoencoder Modelleri
    • Keras Modellerinin Fonksiyonel Olarak Oluşturulması
  • Yapay Sinir Ağları İle Metinler Üzerinde İşlemler

    • Metinsel Verilerde Word Embedding İşlemleri
    • Metinlerin İçeriğe Göre Sınıflandırılması
    • Metinlerden Anlam Çıkarılması
    • Metinsel Çıktı Üretimleri
  • Yapay Sinir Ağları İle Ses ve Görüntü Verileri Üzerinde Sınıflandırma ve Tanıma İşlemleri

    • Konuşma Kayıtlarına İlişkin Verilerle Çalışma
    • Konuşma Verilerinde Sınıflandırma İşlemleri
    • Yüz Tanıma İşlemleri
    • Resimlerin Sınıflandırılması
    • Hareketli Görüntü Verileri Üzerinde İşlemler
    • Yapay Sinir Ağı İle Resim Tanıma Uygulamaları
    • Renkli Resimler Üzerinde Uygulamalar
  • TensorFlow Kütüphanesinin Kullanımı

    • TensorFlow kütüphanesinin Tarihsel Gelişimi
    • TensorFlow Kütüphenesinin Kurulumu
    • Tensor Nesnelerinin Oluşturulması
    • Yapay Sinir Ağı Modellerinin TensorFlow’da Oluşturulması
    • TensorFlow’da Yapay Sinir Ağı Örnekleri
  • PyTorch Kütüphanesinin Kullanımı

    • PyTorch Kütüphanesinin Kurulumu
    • PyToch Kütüphanesinin Temel Özellikleri
    • Tensor Nesnelerinin Oluşturulması
    • PyTorch Kütüphanesinde Temel Çalışma Biçimi
    • PyTorch ile Yapay Sinir Ağlarının Oluşturulması
  • Theano Kütüphanesinin Kullanımı

    • Theano Kütüphanesinin Kurulumu
    • Theano Kütüphanesinin Kurulumu
    • Theano Kütüphanesinin Temel Özellikleri
    • Theano Kütüphanesi ile Yapay Sinir Ağlarının Oluşturulması
  • Denetimsiz Öğrenme (Unsupervised Learning)

    • Kümeleme (Clustering) İşlemleri
    • K-Means Kümeleme Algoritması
    • Hiyerarşik Kümeleme Algoritmaları
    • Yoğunkluk Temelli DBSCAN ve OPTICS Kümeleme Algoritmaları
    • Kümeleme İşlemlerinde Kullanılan Diğer Önemli Algoritmalar
    • Kümeleme Algoritmalarının Çeşitli Bakımlardan Birbirleriyle Karşılaştırılması
  • Biraz Lineer Cebir

    • Matrisler ve Determinantlar
    • Lineer Denklem Sistemlerinin Çözümü
    • Özdeğerler ve Özvektörler
  • Veri Tablolarında Boyutsal Özellik İndirgemeleri

    • Eksik Değerli Sütunların Atılması (Missing Value Ratio)
    • Düşük Varyans Filtremeleri
    • Yüksek Korelasyon Filtremeleri
    • Geriye Doğru Özellik İndirgemeler (Backward Feature Elimination)
    • İleriye Doğru Özellik İndirgemeleri (Forward Feature Elimination)
    • Faktör Analizi Yöntemi İle Boyutsal Özellik İndirgemeleri
    • Temel Bileşenler Analizi İle Boyutsal Boyutsal İndirgemeleri
  • Anomalilerin Tespit Edilmesi (Anomaly Detection)

    • Anomalilerin Tespit Edilmesi İçin Yaklaşımlar
    • Kümeleme Tabanlı Anomali Tespit Yöntemleri
    • Anomalilerin Tespit Edilmesi İçin Kullanılan Diğer Önemli Yaklaşımlar
  • Matematiksel Optimizasyon İşlemleri

    • Maksimizasyon ve Minimizasyon Problemleri
    • Gradient Ascent ve Gradient Descent Algoritmalarının Anlamı
    • Stochastic Gradient Algoritmalar ve Mini Batch Yöntemleri
    • Doğrusal Programlama ve Doğrusal Karar Modellerinin Scipy ve Pulp Kütüphaneleri İle Çözümü
    • Doğrusal Olmayan Programlama ve Doğrusal Olmayan Modellerin Çözümü İçin Yaklaşımlar
    • Graf Veri Yapıları
    • Graflar Üzerinde Optimizasyon Problemlerinin Çözümü (Gezgin Satıcı Problemi, En Kısa Yol Problemi, En Küçük Örten Ağaç Problemi, Hamilton ve Euler Turlu Problemler vs.)
    • Pyton’da Graf Problemleri İçin Kullanılan Kütüphaneler
    • Graf Çizimleri İçin Graphwiz Kütüphanesinin Kullanımı
  • İstatistiksel Yöntemlerle Regresyon İşlemleri

    • Basit Doğrusal Regresyon
    • Çoklu Doğrusal Regresyon
    • Çoklu Doğrual Regresyonun Önemli Sorunları
    • Çoklu Doğrusal Regresyonda Düzenleme (Regulation) İşlemleri
    • Lasso, Ridge ve Elastic Net Regresyonları
    • Polinomsal Regresyon
    • Scikit-Learn Kütüphanesi ile Doğrusal ve Polinomsal Regresyon İşlemleri
    • İstatistiksel Lojistik Regresyon
    • Doğrusal Olarak Ayrıştırılabilirlik (Linear Separability) ve Doğrusal Sınıflandırıcılar (Linear Classifiers)
    • Lojistik Regresyon Problemlerinin Gradient Descent Yöntemlerle Çözülmesi
    • Çok Sınıflı Lojistik Regresyon Problemleri
    • Lojistik Regresyon Yöntemlerinin Karşılaştırılması
    • Lojistik Regresyon Modellerinin Scikit-Learn Kütüphanesi İle Çözümü
  • Destek Vektör Makineleri (Support Vector Machines)

    • Destek Vektör Makinelerinin Dayandığı Matematiksel Temel
    • Destek Vektör Makineleri İle Lojistik Regresyon (Sınıflandırma) Problemlerinin Çözümü
    • Destek Vektör Makineleri İle Lojistik Olmayan Regresyon Problemlerinin Çözümü
    • Destek Vektör Makineleri İle İstatistiksel Regresyon Yöntemlerinin Karşılaştırılması
  • Karar Ağaçları (Decision Trees)

    • Karar Ağaçlarının Dayandığı Matematiksel Temeller
    • Karar Ağaçlarıyla Lojistik Regresyon (Sınıflandırma) Problemlerinin Çözümü
    • Karar Ağaçlarıyla Lojistik Olmayan Regresyon Problemlerinin Çözümü
    • Karar Ağaçlarıyla Diğer Lojistik ve Lojistik Olmayan Regresyon Modellerinin Karşılaştırılması
  • Naive Bayes Yöntemiyle Sınıflandırma

    • Koşullu Olasılık Kavramı
    • Naive Bayes Yönteminin Dayandığı Temeller
    • Naive Bayes Yönteminin Varyasyonları (Gaussian Naive Bayes, Multinomial Naive Bayes, Categorical Naive Bayes, …)
    • Naive Bayes Yönteminin Scikit-Learn Kütüphanesi Kullanılarak Uygulanması
  • Makine Öğrenmesinde Ensemble Yöntemlerin Kullanılması

    • Ensemble Yöntemler Nedir?
    • Boosting Yöntemleri
    • Bagging Yöntemleri
    • Stacking Yöntemleri
    • Rassal Ormanlar (Random Forests)
    • Diğer Ensemble Yöntemler
    • KFold Validation İşleminin Anlamı ve Uygulama Alanları
    • Scikit-Learn Kütüphanesi Kullanılarak Ensemble Yöntemlerin Uygulanması
    • XGBoost Kütüphanesinin Kullanımı
  • Otomatik Makine Öğrenmesine (Automated Machine Learning) İlişkin Kütüphanelerin Kullanımı

    • AutoKeras Kütüphanesinin Kullanımı
    • AutoSklearn Kütüphanesinin Kullanımı
    • TPOT Kütüphanesinin Kullanımı
  • Pekiştirmeli Öğrenme (Reinforcement Learning)

    • Pekiştirmeli Öğrenme Nedir?
    • İnsan Öğrenmesinde Edimsel Koşullanma (Operant Conditioning)
    • İnsan Öğrenmesinde Pekiştireçler ve Pekiştirme Tarifeleri
    • Pekiştirmeli Makine Öğrenmesi Nedir?
    • Pekiştirmeli Makine Öğrenmesinin Uygulama Alanları
    • OpenAI GYM Ortamı
    • OpenAI GYM Simülatörlerinin Kullanılması
    • Pekiştirmeli Öğrenmede Kullanılan Algoritmalar
    • Q-Learning Algoritması
    • Q-Learning Algoritması ile GYM Simülatörleri Üzerinde Örnekler
    • Pekiştirmeli Öğrenmede Yapay Sinir Ağlarının Kullanımı
    • Pekiştirmeli Öğrenmede Deep Q-Learning Yöntemleri
  • Pekiştirmeli Öğrenmede Kullanılan Yüksek Seviyeli Kütüphaneler

    • Stable-Baselines Kütüphanesinin Kullanımı
    • Keras-RL Kütüphanesinin Kullanımı
  • Makine Öğrenmesi İçin Cloud Platformlarının Kullanılması

    • Cloud Platformlarının Özellikleri, Avantajları ve Dezavantajları
    • Makine Öğrenmesi İçin Amazon AWS SageMaker Platformunun Kullanımı
    • Makine Öğrenmesi İçin Microsoft Azure Platformunun Kullanımı
    • Makine Öğrenmesi İçin Google Cloud Platformunun Kullanımı
    • Makine Öğrenmesi İçin IBM Watson Platformunun Kullanımı

Ön Koşul: Temel düzeyde Python Programlama Dili bilgisine sahip olmak.

Kurs ücreti duyuru sayfasında belirtilmektedir.
Bu kurs C ve Sistem Programcıları Derneği ve Sistem Bilgisayar işbirliği ile düzenlenmektedir.

KURSA ÖN KAYIT YAPTIRABİLİRSİNİZ