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.
