Yapay Zeka, Makine Öğrenmesi ve Veri Bilimi


Kursumuza ön kayıt yaptırmak için bu bağlantıyı kullanabilirsiniz.

# Online Yapay Zeka, Makine Öğrenmesi ve Veri Bilimi Kursu (384 saat)

  • Gözden Geçirme ve Hazırlık

    • Yapay Zeka, Makine Öğrenmesi ve Veri Bilimi İçin Neden Python?
    • Yapay Zeka, Makine Öğrenmesi ve Veri Biiliminde 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?
    • Veri Bilimi Nedir?
    • Veri Bilimi ile Yapay Zeka ve Makine Öğrenmesi Arasındaki İlişki
  • Biraz İstatistik

    • İstatistiksel Ölçek Türleri
    • Betimsel (Descriptive) ve Çıkarımsal (Inferential) İstatistik Kavramları
    • Anakütle ve Örneklem Kavramları
    • Olasılıkla İlgili Temel Bilgiler
    • Python’da Betimsel İstatistik İle İlgili İşlemler Yapan Kütüphanelerin Yeniden Gözden Geçirilmesi
    • Rassal Değişken Kavramı
    • Olasılık Dağılımları
    • Çok Karşılaşılan Bazı Sürekli ve Kesikli Dağılımlar
    • Merkezi Limit Teoremi
    • Güven Aralıkları (Confidence Intervals)
    • İstatistiksel Hipotez Testleri Hakkında Temel Bilgiler, Hipotez Testlerinde Kullanılan Kavramlar, Terimler ve Onların Anlamları
  • Verilerin Kullanıma Hazır Hale Getirilmesi Süreci

    • Veri Kümelerinin Dosyalardan Okunması
    • CSV Formatı ve Çeşitli Diyalekleri
    • Veri Kümelerinin Veritabanlarından Okunması
    • Kategorik (Nominal) ve Sıralı (Ordinal) Verilerin Sayısal Biçime Dönüştürülmesi
    • One Hot Encoding Dönüştürmesi
    • Eksik Veriler Üzerinde İşlemler
    • Eksik Verilerin Veri Kümesinden Çıkartılması
    • Eksik Verilerin Doldurulmasına (Imputation) İlişkin Yöntemler
    • Veri Kümesine Yararlı Sütunların Eklenmesi ve Özellik Mühendisliği
    • Verilerin Çoğaltılması (Data Augmentation)
  • 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
    • 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 ile 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 ile 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
    • Öğrenimin Aktarılması Sürecinin (Transfer Learning) Temelleri
    • Keras Modellerinin Fonksiyonel Olarak Oluşturulması
  • Yapay Sinir Ağları İle Metinler Üzerinde İşlemler

    • Metinler Üzerinde Ön İşlemler (Tokenizing, Stemming, Lemmatization, …)
    • Metinsel Verilerde Word Embedding İşlemleri
    • Metinlerin İçeriğe Göre Sınıflandırılması
    • Metinlerden Anlam Çıkarılması
    • Metinsel İşlemlerde Öğrenimin Aktarılması
  • Yapay Sinir Ağları İle Ses ve Görüntü Verileri Üzerinde Sınıflandırma ve Tanıma İşlemleri

    • Konuşma Kayıtlarına İlişkin Verilerle Çalışma
    • Konuşma Verilerinde Sınıflandırma İşlemleri
    • İşitsel ve Görsel Verilerin Çoğaltılması (Data Augmentation)
    • Yüz Tanıma İşlemleri
    • Resimlerin Sınıflandırılması
    • Hareketli Görüntü Verileri Üzerinde İşlemler
    • Yapay Sinir Ağları İle Resim Tanıma Uygulamaları
    • Renkli Resimler Üzerinde Uygulamalar
    • Resim Tanıma ve Sınıflandırmada Öğrenimin Aktarılması
  • Makine Öğrenmesinde Üretici (Generative) ve Dönüştürücü (Transformer) Modeller

    • Generative Adversarial Ağlar (GANs)
    • Dönüştürücü Ağlar
    • Dönüştürücü Ağların Uygulama Alanları
    • GPT (Generative Pre-trained Transformer) Ağları
    • ChatGPT Uygulamasının Dayandığı Temel, Kullanım Alanları, Sınırlamaları ve Geleceği
    • Metinsel Çıktı Üretimleri
  • TensorFlow Kütüphanesinin Kullanımı

    • TensorFlow kütüphanesinin Tarihsel Gelişimi
    • TensorFlow Kütüphenesinin Kurulumu
    • Tensor Nesnelerinin Oluşturulması ve Tensörler Üzerinde İşlemler
    • 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 ve Tensörler Üzerinde İşlemler
    • PyTorch Kütüphanesinde Temel Çalışma Biçimi
    • PyTorch ile Yapay Sinir Ağlarının Oluşturulması
  • Theano Kütüphanesinin Kullanımı

    • 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 Tabanlı DBSCAN ve OPTICS Kümeleme Algoritmaları
    • Kümeleme İşlemlerinde Kullanılan Diğer Önemli Algoritmik Yöntemler
    • Kümeleme Algoritmalarının Çeşitli Bakımlardan Birbirleriyle Karşılaştırılması
  • Biraz Lineer Cebir

    • Vektörler
    • Matrisler ve Determinantlar
    • Matrisler Üzerinde Temel İşlemler
    • Lineer Denklem Sistemlerinin Çözümü
    • Özdeğerler ve Özvektörler
  • Kovaryans ve Korelasyon Kavramları

    • Kovaryans Kavramı
    • Pearson ve Spearman korelasyon katsayıları
    • Python’da Kovaryans ve Korelasyon Hesaplamaları
    • Korelasyon ve Nedensellik
    • Kovaryansın ve Korelasyonun Önemi ve Veri Biliminde Kullanım Alanları
  • İstatistiksel Hipotez Testleri ve Uygulamaları

    • İstatistiksel Hipotez Testlerinin Anlamı ve Uygulama Alanları
    • Parametrik Hipotez Testleri ve Parametrik Olmayan Hipotez Testleri
    • Z Testi ve t Testi
    • F Dağılımı, F İstatistiği ve F Testi
    • Varyans Analizi (Tek Faktörlü ve İki Faktörlü ANOVA)
    • Kovaryans Analizi
    • Kay Kare (Chi Square) Testi
    • Mann Whitney U Testi
    • Doğrulayıcı (Confirmatory) ve Açımlayıcı (Exploratory) Faktör Analizi
    • Yapısal Eşitlik Modellemesi ve Yol Analizi (Path Analysis) Hakkında Temel Bilgiler
  • Veri Tablolarında Boyutsal Özellik İndirgemeleri

    • Boyutsal Özellik İndirgemesi Nedir?
    • Boyutsal Özellik İndirgemelerine Neden Gereksinim Duyulmaktadır?
    • Eksik Değerli Sütunların Atılması (Missing Value Ratio)
    • Düşük Varyans Filtremeleri
    • Yüksek Korelasyon Filtremeleri
    • Geriye Doğru Özellik İndirgemeleri (Backward Feature Elimination)
    • İleriye Doğru Özellik İndirgemeleri (Forward Feature Elimination)
    • Faktör Analizi Yöntemi İle Boyutsal Özellik İndirgemeleri
    • Temel Bileşenler Analizi İle Boyutsal Boyutsal İndirgemeleri
    • Diğer Boyutsal Özellik İndirgeme Yöntemleri Hakkında Temel Bilgiler
  • Anomalilerin Tespit Edilmesi (Anomaly Detection)

    • Anomalilerin Tespit Edilmesi İçin Yaklaşımlar
    • Kümeleme Tabanlı Anomali Tespit Yöntemleri
    • Anomalilerin Tespit Edilmesi İçin Kullanılan Diğer Önemli Yaklaşımlar
  • Sayısal (Nümerik) Analiz İşlemleri

    • Sürekli ve Ayrık Fonksiyonlar
    • Doğrusal Olmayan (Nonlinear) Denklemlerde Kök Bulma
    • Newton-Raphson Yöntemi ile Kök Bulma
    • Türev Kavramı
    • SymPy Kütüphanesi ile Sembolik Türev İşlemleri
    • Sayısal Türev İşlemleri
    • Integral Kavramı
    • SymPy Kütüphanesi ile Sembolik Integral İşlemleri
    • Sayısal İntegral İşlemleri
  • Matematiksel Optimizasyon İşlemleri

    • Maksimizasyon ve Minimizasyon Problemleri
    • Gradient Ascent ve Gradient Descent Algoritmalarının Anlamı
    • Stochastic Gradient Algoritmalar ve Mini Batch Yöntemler
    • Doğrusal Programlama ve Doğrusal Karar Modellerinin Scipy ve Pulp Kütüphaneleri İle Çözümü
    • Doğrusal Olmayan Programlama ve Doğrusal Olmayan Modellerin Çözümü İçin Yaklaşımlar
  • Graflar Üzerinde İşlemler ve Ağ Analizi

    • 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.)
    • Python’da Graf Problemleri İçin Kullanılan Kütüphaneler
    • NetworkX ve python-igraph Kütüphanelerinin Kullanımı
    • Çok Karşılaşılan Graf Algoritmaları (En Kısa Yola Problemi, En Küçük Örten Ağaç Problemi, …)
    • Graflarda Tur (Cycle) Problemleri, Hamilton ve Euler Turlu Problemler
    • Graf Çizimleri İçin Graphwiz Kütüphanesinin Kullanımı
    • Ağ Analizi (Network Analysis) İle İlgili Temel Kavramlar
    • Ağlarda Ölçümleme (Measuring Networks)
    • Ağlarda Benzerlikler
    • Sosyal Ağlar Üzerinde Temel Graf İşlemleri
  • İstatistiksel Yöntemlerle Gerçekleştirilen 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)
    • İstatistiksel Lojistik Regresyon Problemlerinin Çözüm Yaklaşımları
    • İstatistiksel 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 Sınıflandırma İşlemleri
    • Destek Vektör Makineleri İle Lojistik Olmayan Regresyon İşlemleri
    • Destek Vektör Makineleri İle İstatistiksel Regresyon Yöntemlerinin Karşılaştırılması
  • Karar Ağaçları (Decision Trees)

    • Karar Ağaçlarının Dayandığı Matematiksel Temeller
    • Karar Ağaçlarıyla Sınıflandırma İşlemleri
    • Karar Ağaçlarıyla Lojistik Olmayan Regresyon İşlemleri
    • Karar Ağaçlarıyla Diğer Lojistik ve Lojistik Olmayan Regresyon Modellerinin Karşılaştırılması
  • En Yakın Komuşuluk Yöntemiyle ve Naive Bayes Yöntemiyle Sınıflandırma ve Bayes Ağları

    • En Yakın Komşuluk (K-Nearest Neighbours) Yöntemiyle Sınıflandırma
    • Koşullu Olasılık Kavramı ve Bayes Teoremi
    • 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
    • Bayes Ağları
    • Bayes Ağlarının Uygulama Alanları
  • 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
  • Yapay Zeka, Makine Öğrenmesi ve Veri Bilimi 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.

Kursumuza ön kayıt yaptırmak için bu bağlantıyı kullanabilirsiniz.

R İle Matematiksel ve İstatistiksel Veri Analizi


Açıklama: Bu kurs R Programlama Dilibi bilen programcılara istatistiksel ve matematiksel veri analizi konusunda uygulama geliştirme becerisi kazandırmaya yöneliktir. Kurs yalnızca programcılar için değil, istatistiksel ve matematiksel veri analizi ile uğraşan tüm katılımcılara açıktır. Kurs içerisindeki pek çok konu birbirinden ayrık olduğu için katılımcılar kursun yalnızca belli konularının ele alındığı kısımlarını izleyebilirler.

Kurs konularından bazıları aşağıdadır:

• R’da veri işleme süreci
• R ile olasılık hesapları, olasılık dağılımları, olasılık yoğunluk fonksiyonları vs.
• R ile betimleyici istatistik
• R İle parametrik olan parametrik olmayan istatistiksel hipotez testleri (Z testi, t testi, tek yönlü ve çift yönlü ANOVA ve ANCOVA testlerii Chi Kare testi vs.)
• R ile korelasyon, regresyon ve faktör analizleri
• R’da çok değişkenli istatistiksel analizler
• R’da graf veri yapılarıyla işlemler ve ağ problemlerinin çözümü
• R’da doğrusal ve doğrusal olmayan karar modellerinin çözümü
• R’da yapısal eşitlik modellemesi
• R ile sayısal analiz (lineer cebir işlemleri, doğrusal denklem sistemlerinin çözümü, kök bulma vs.)
• R ile temel düzeyde sinyal işleme
• Diğer bazı önemli R paketlerinin kullanımı
• Ve diğerleri…

Önkoşul: R Programalama Dilini bilmek ya da C ve Sistem Programcıları Derneği’nde “R Programlama Dili” kursunu başarıyla bitirmiş olmak ve sayısal ve/veya istatistiksel analiz konusunda temel bilgilere sahip olmak.

* Ücreti sorunuz.

R Programlama Dili


Açıklama : R matematiksel ve istatistiksel veri analiz işlemlerinde kullanılan fonksiyonel, prosedürel ve nesne yönelimli bir programlama dilidir. Kurs yalnızca programcılar için değil, istatistik ve veri analizi ile uğraşan önkoşulu sağlayan tüm katılımcılara açıktır.

Kurs konularından bazıları aşağıdadır:
• R ortamının tanıtılması, R’ın tarihsel gelişimi ve programlama modeli
• R’da veri türleri
• R Operatörleri ve R ifadelerinin ele alınması
• R’da akış kontrolünün sağlanması (if, while, for, switch yapıları)
• R’da fonksiyonlar ve prosedürel programlama
• R’da dosya işlemleri
• R’da nesne yönelimli programlama
• Exception işlemleri
• Grafik çizimleri
• GUI Programlama
• Ve diğerleri…

Ön koşul: Temel programlama bilgisine sahip olmak ya da C ve Sistem Programcıları Derneği’nde “Programlamaya Giriş” kursunu başarıyla bitirmiş olmak.

* Ücreti sorunuz.