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.