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.