İleri Seviye Yapay Zeka Eğitimi

Ne Öğreneceksiniz?

Eğitim Sonunda Kazanılacak Beceriler

Denetimsiz öğrenme problemlerinde K-means, hiyerarşik kümeleme ve DBSCAN uygulayabilme
Kümeleme sonuçlarını metriklerle değerlendirip doğru küme sayısına karar verebilme
PCA, SVD ve t-SNE ile boyut indirgeme ve yüksek boyutlu veriyi görselleştirebilme
K-means ve PCA algoritmalarını sıfırdan kodlayabilme
Modelleri accuracy, precision, recall, F1, ROC-AUC ve confusion matrix ile doğru metrikle ölçebilme
Grid search, random search ve cross-validation stratejileriyle model seçimi yapabilme
Learning curve okuyarak modelin veri mi yoksa kapasite mi eksiği olduğunu teşhis edebilme
Yapay sinir ağlarının matematiksel modelini ve backpropagation türetimini anlayabilme
Aktivasyon fonksiyonu ve ağırlık başlatma stratejisini bilinçli seçebilme
Konvolüsyon, padding, stride ve pooling matematiğini kavrayıp CNN mimarisi tasarlayabilme
LeNet, AlexNet, VGG, ResNet, Inception ve MobileNet mimarilerini uygulayabilme
YOLO ve R-CNN ile nesne tespiti, semantic segmentation ile piksel düzeyinde ayrıştırma yapabilme
Sıralı veri problemlerinde RNN, LSTM ve GRU modelleri kurabilme
Gradient vanishing/exploding problemini tanıyıp çözüm uygulayabilme
Transformer mimarisini self-attention, multi-head attention ve positional encoding düzeyinde anlayıp sıfırdan kodlayabilme
GAN kurup generator–discriminator dengesini ve mode collapse problemini yönetebilme

Müfredat

13 modül · 30 bölüm · 135 konu · 100

Modül 1

Python Temelleri (Tekrar Amaçlı)

Eğitimin giriş modülüdür ve tüm yapay zeka çalışmalarının üzerine kurulacağı programlama zeminini oluşturur. Katılımcı Python dilini sıfırdan öğrenir: söz dizimi, veriyi bellekte tutma biçimleri, akış kontrolü, kodu tekrar kullanılabilir parçalara bölme ve nesne yönelimli düşünme. Modül sonunda katılımcı, kütüphane kullanmaya geçmeden önce kendi başına çalışan program yazabilecek seviyeye gelir.

1.1 Temel Söz Dizimi ve Değişkenler

Python'un yazım kurallarının ve veriyi değişkenlerde tutma mantığının öğretildiği ilk adımdır. Girinti (indentation) tabanlı yapı, yorum satırları ve değişken isimlendirme kuralları burada oturur.

Python kurulumu ve IDE kullanımı

Python yorumlayıcısının kurulumu, sürüm seçimi, sanal ortam (virtual environment) kavramı ve VS Code / PyCharm / Jupyter Notebook gibi geliştirme ortamlarının kullanımı. Kod yazma, çalıştırma, hata mesajlarını okuma ve hata ayıklama (debug) alışkanlığı kazandırılır.
Değişken türleri (int, float, string, boolean)

Tam sayı, ondalıklı sayı, metin ve mantıksal doğru/yanlış tiplerinin ne olduğu, bellekte nasıl tutulduğu, tür dönüşümleri (int(), float(), str()) ve tip hatalarının nasıl oluştuğu. Dinamik tipleme kavramı ve type() ile tip denetimi.
İşleçler (aritmetik, karşılaştırma, mantıksal)

Toplama, çıkarma, çarpma, bölme, tam bölme (//), mod (%) ve kuvvet (**) işleçleri; ==, !=, <, > karşılaştırma işleçleri; and, or, not mantıksal işleçleri. İşlem öncelik sırası ve karşılaştırmaların neden True/False döndürdüğü.
Giriş/Çıkış işlemleri

input() ile kullanıcıdan veri alma, print() ile ekrana yazdırma, f-string ve format() ile biçimli çıktı üretme. Metin dosyalarını okuma/yazma (open, read, write, with bloğu) temel düzeyde ele alınır.

1.2 Veri Yapıları

Birden fazla veriyi tek bir yapıda toplamanın yollarını öğretir. Doğru veri yapısı seçimi hem kodun okunabilirliğini hem de çalışma hızını doğrudan etkiler; her yapının hangi problemde kullanıldığı karşılaştırmalı verilir.

Listeler (list): oluşturma, indeksleme, metotlar

Sıralı ve değiştirilebilir koleksiyonlar. Eleman ekleme/çıkarma (append, insert, remove, pop), sıralama (sort, sorted), ters çevirme, dilimleme ([a:b:c]), negatif indeks kullanımı ve iç içe listeler (matris benzeri yapılar).
Demetler (tuple): değişmez veri yapıları

Oluşturulduktan sonra değiştirilemeyen sıralı koleksiyonlar. Değişmezliğin (immutability) avantajı, tuple unpacking, fonksiyonlardan çoklu değer döndürme ve listeye göre bellek/performans farkı.
Sözlükler (dict): anahtar-değer çiftleri

Veriye sıra numarasıyla değil anlamlı bir anahtarla erişme. Anahtar ekleme/güncelleme/silme, keys(), values(), items() ile dolaşma, get() ile güvenli erişim, iç içe sözlükler ve JSON verisiyle olan doğrudan benzerliği.
Kümeler (set): benzersiz elemanlar

Tekrarsız eleman tutan sırasız yapılar. Yinelenen kayıtları temizleme, üyelik testinin neden çok hızlı olduğu, kesişim (&), birleşim (|) ve fark (-) gibi küme işlemleri.

1.3 Kontrol Yapıları

Programın akışını koşullara ve tekrarlara göre yönlendirme becerisidir. Veri temizleme, filtreleme ve algoritma yazımının tamamı bu yapıların üzerine kurulur.

if-elif-else koşul yapıları

Koşula bağlı karar verme, çoklu koşul zincirleri, iç içe koşullar, and/or ile birleşik koşullar ve tek satırlık koşullu ifadeler (ternary). Kodun mantıksal doğruluğunu koşul sırasının nasıl etkilediği vurgulanır.
for ve while döngüleri

Bir koleksiyonun elemanları üzerinde dolaşmak için for, bir koşul sağlandığı sürece tekrar için while. range(), enumerate(), zip() kullanımı, iç içe döngüler ve sonsuz döngü tuzakları.
break, continue, pass ifadeleri

Döngüyü tamamen kesmek (break), o turu atlayıp devam etmek (continue) ve sözdizimsel olarak boş blok bırakmak (pass). Arama algoritmalarında ve hatalı kayıtların atlanmasında pratik kullanım örnekleri.
Liste anlama (list comprehensions)

Döngü ve koşulu tek satıra sıkıştırarak yeni liste üretme tekniği. Klasik döngüye göre okunabilirlik ve hız avantajı; dict comprehension ve set comprehension varyasyonları. Veri ön işlemede en sık kullanılan Python kalıplarından biridir.

1.4 Fonksiyonlar ve Modüller

Kodu tekrar kullanılabilir, test edilebilir ve düzenli parçalara bölme aşamasıdır. Makine öğrenmesi projelerinde veri hazırlama, model eğitme ve değerlendirme adımlarının ayrı fonksiyonlara bölünmesi bu disiplinle mümkün olur.

Fonksiyon tanımlama ve çağırma

def ile fonksiyon yazma, return ile değer döndürme, docstring yazımı, kapsam (scope) kavramı ve yerel/global değişken ayrımı.
Parametreler (konumsal, anahtar kelime, varsayılan)

Sıraya göre gönderilen konumsal parametreler, isimle gönderilen anahtar kelime parametreleri, varsayılan değerli parametreler ve değişken sayıda argüman alma (*args, **kwargs). Kütüphane dokümantasyonunu okuyabilmek için kritik bir konudur.
Lambda fonksiyonları

Tek satırlık isimsiz fonksiyonlar. map, filter, sorted ve Pandas'ın apply metoduyla birlikte kullanımı; ne zaman tercih edilmesi, ne zaman normal fonksiyon yazılması gerektiği.
Modül oluşturma ve içe aktarma işlemleri

Kodu .py dosyalarına bölme, import, from ... import ..., takma ad verme (as) ve paket (klasör + __init__.py) yapısı. Proje dosya düzeninin nasıl kurulacağı gösterilir.
Paket yönetimi (pip)

Dış kütüphane kurma, kaldırma, sürüm sabitleme, requirements.txt oluşturma ve sanal ortamlarla birlikte kullanma. NumPy, Pandas, Scikit-learn gibi kütüphanelerin ortama nasıl dahil edildiği öğrenilir.

1.5 Nesne Yönelimli Programlama

Veriyi ve o veri üzerinde çalışan davranışları tek yapıda birleştirme yaklaşımıdır. Scikit-learn dahil tüm makine öğrenmesi kütüphaneleri nesne yönelimli tasarlandığı için (model = LinearRegression(), model.fit()) bu modül kütüphane mantığını çözmenin anahtarıdır.

Sınıf ve nesne kavramları

Sınıfın bir şablon, nesnenin ise o şablondan üretilmiş örnek olduğu fikri. class tanımı, nesne üretme, self parametresinin anlamı ve metot yazımı.
Yapıcı (init) metodu

Nesne oluşturulurken otomatik çalışan __init__ metodu ile başlangıç değerlerinin atanması. Zorunlu ve varsayılan parametrelerle esnek nesne üretimi.
Örnek ve sınıf değişkenleri

Her nesneye ait olan örnek değişkenleri ile tüm nesnelerin paylaştığı sınıf değişkenleri arasındaki fark; hangi durumda hangisinin kullanılacağı ve sık yapılan hatalar.
Kalıtım (inheritance)

Bir sınıfın başka bir sınıfın özelliklerini devralması, metot ezme (override), super() kullanımı ve çok katmanlı kalıtım. Ortak davranışları tek yerde toplayarak kod tekrarını önleme.
Kapsülleme ve çok biçimlilik

İç detayları dışarıdan gizleme (kapsülleme; _ ve __ yazım kuralları, getter/setter mantığı) ve aynı metot adının farklı sınıflarda farklı davranması (polymorphism). Scikit-learn'de her modelin aynı fit/predict arayüzünü sunması bu prensibin uygulamasıdır.

Modül 2

Unsupervised Learning

Etiketlenmemiş veride gizli örüntüleri ve yapıyı ortaya çıkarmayı hedefleyen öğrenme türüdür. Katılımcı, örnekleri birbirine benzerliğine göre gruplamayı (kümeleme) ve çok sayıda değişkeni bilgi kaybını en aza indirerek daha az boyuta indirgemeyi (boyut indirgeme) hem matematiksel temelden hem de sıfırdan kodlayarak öğrenir.

2.1 Clustering

Etiket olmadan, örnekleri aralarındaki benzerlik/uzaklığa göre gruplara ayırma tekniklerini kapsar. Farklı veri yapılarına uygun üç temel yaklaşım (merkez tabanlı, hiyerarşik, yoğunluk tabanlı) karşılaştırmalı işlenir.

K-means algoritması ve convergence

Veriyi k adet merkeze en yakınlığına göre bölen yinelemeli algoritma. Merkez atama ve güncelleme adımlarının dönüşümlü tekrarı, yakınsama (convergence) kriteri, başlangıç merkezlerinin sonucu nasıl etkilediği ve doğru k sayısını seçmek için dirsek (elbow) yöntemi.
Hierarchical clustering

Örnekleri adım adım birleştirerek (agglomerative) veya bölerek (divisive) iç içe geçmiş bir küme hiyerarşisi kuran yaklaşım. Bağlantı (linkage) yöntemleri (single, complete, average, ward) ve dendrogram üzerinden küme sayısının belirlenmesi.
DBSCAN algoritması

Kümeleri yoğunluk farkına göre bulan, küme sayısını önceden belirtmeyi gerektirmeyen ve gürültü/aykırı noktaları otomatik olarak ayıklayan algoritma. Komşuluk yarıçapı (eps) ve minimum örnek sayısı (min_samples) parametrelerinin küme şekline etkisi.
Cluster evaluation metrikleri

Etiket olmadığı için başarı ölçümünün nasıl yapılacağı: silhouette skoru, Davies-Bouldin ve Calinski-Harabasz indeksleri gibi iç değerlendirme ölçütleri; gerçek etiket mevcutsa Adjusted Rand Index gibi dış değerlendirme ölçütleri.
Sıfırdan k-means implementasyonu

Merkez başlatma, uzaklık hesaplama, örnekleri en yakın merkeze atama ve merkezleri güncelleme adımlarının NumPy ile kodlanması. Kendi yazılan algoritmanın Scikit-learn'ün KMeans sınıfıyla sonuç ve hız açısından karşılaştırılması.

2.2 Dimensionality Reduction

Çok sayıda değişkenin, bilgi kaybını en aza indirerek daha az sayıda yeni değişkene indirgenmesidir. Hem görselleştirmeyi kolaylaştırır hem de sonraki modelleme adımlarında hız ve genelleme avantajı sağlar.

Principal Component Analysis (PCA)

Verideki varyansı en çok açıklayan doğrusal yönleri (temel bileşenleri) bularak boyut indirgeme yöntemi. Açıklanan varyans oranı, bileşen sayısının seçimi ve bileşenlerin orijinal değişkenler cinsinden yorumlanması.
Eigenvalue decomposition

Kovaryans matrisinin öz değer/öz vektörlerine ayrıştırılması ve bunun PCA'nın matematiksel temelini nasıl oluşturduğu. Öz vektörlerin yön, öz değerlerin ise o yöndeki varyans miktarını temsil ettiği gösterilir.
Singular Value Decomposition (SVD)

Herhangi bir matrisin üç matris çarpımına (U, Σ, V^T) ayrıştırılması ve bunun PCA ile ilişkisi. Sayısal olarak daha kararlı olması nedeniyle büyük ve seyrek verilerde tercih edilme sebepleri.
t-SNE algorithm basics

Yüksek boyutlu verideki yerel komşuluk ilişkilerini iki/üç boyutta koruyarak görselleştirmeye yarayan doğrusal olmayan yöntem. Perplexity parametresinin etkisi, PCA'dan farkı ve sonuçların (küme uzaklıkları dahil) yanlış yorumlanabileceği durumlar.
Sıfırdan PCA implementasyonu

Verinin ortalanması, kovaryans matrisinin hesaplanması, öz değer/öz vektör ayrıştırmasının NumPy ile yapılması ve verinin seçilen bileşenler üzerine izdüşümü. Sonuçların Scikit-learn'ün PCA sınıfıyla doğrulanması.

Modül 3

Model Değerlendirme ve Seçimi

Bir modelin gerçekten iyi olup olmadığını doğru ölçütlerle ve doğru yöntemle sınamayı öğreten modüldür. Yanlış metrik veya yanlış doğrulama yöntemi seçmenin, gerçekte kötü bir modeli iyi göstermesi riskine karşı sağlam bir değerlendirme kültürü kazandırır.

3.1 Evaluation Metrics

Modelin çıktısının kalitesini sayısal olarak özetleyen ölçütlerdir. Sınıflandırma ve regresyon problemleri için farklı metrik ailelerinin ne zaman ve neden kullanılacağı işlenir.

Classification metrics (accuracy, precision, recall, F1)

Doğruluğun (accuracy) dengesiz veri setlerinde neden yanıltıcı olabileceği; kesinlik (precision) ve duyarlılık (recall) arasındaki ödünleşim; ikisini tek sayıda özetleyen F1 skoru ve hangi problemde hangi metriğin öne çıkarılacağı (örneğin tıbbi taramada recall önceliği).
ROC curve ve AUC

Farklı karar eşiklerinde gerçek pozitif oranı ile yanlış pozitif oranının çizdirilmesi (ROC eğrisi) ve eğrinin altında kalan alanın (AUC) modelin ayırt etme gücünü nasıl özetlediği. Eşikten bağımsız karşılaştırma imkânı.
Confusion matrix

Gerçek ve tahmin edilen sınıfların çapraz tablo hâlinde gösterimi; doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif kavramları. Diğer tüm sınıflandırma metriklerinin bu tablodan nasıl türetildiği.
Regression metrics

Regresyon modellerinin başarısını ölçen MSE, RMSE, MAE ve R² gibi metriklerin tanımları, birimleri, aykırı değerlere duyarlılıkları ve hangi durumda hangisinin tercih edileceği.

3.2 Model Selection

Bir modelin hiperparametrelerini ve karmaşıklığını, gerçek başarıyı en iyi yansıtacak biçimde seçme sürecidir. Yanlış seçilmiş bir doğrulama stratejisinin sonuçları nasıl çarpıtabileceği vurgulanır.

Grid search ve random search

Hiperparametre kombinasyonlarının sistematik olarak (grid search) veya rastgele örnekleyerek (random search) taranması. Arama uzayı büyüdükçe random search'ün neden daha verimli olabildiği ve hesaplama maliyeti karşılaştırması.
Cross-validation strategies

k-fold, stratified k-fold, leave-one-out ve zaman serisi için ileriye doğru doğrulama gibi çapraz doğrulama stratejilerinin hangi veri yapısında kullanılacağı ve veri sızıntısını önleyecek doğru uygulama sırası.
Learning curves

Eğitim örneği sayısı arttıkça eğitim ve doğrulama hatasının nasıl değiştiğinin grafiğe dökülmesi. Eğrilerin aşırı/az öğrenme teşhisinde ve daha fazla veri toplamanın işe yarayıp yaramayacağına karar vermede kullanımı.
Hyperparameter tuning

Model karmaşıklığını kontrol eden parametrelerin (öğrenme oranı, ağaç derinliği, düzenlileştirme katsayısı vb.) doğrulama performansına göre sistematik olarak ayarlanması; grid/random search'ün ötesinde Bayesian optimizasyona kısa bir giriş.

Modül 4

Temel Derin Öğrenmeye Giriş

Klasik makine öğrenmesinden derin öğrenmeye geçiş modülüdür. Yapay sinir ağlarının matematiksel temelleri (ileri yayılım, geri yayılım, aktivasyon fonksiyonları) sıfırdan kodlanarak öğretilir; ardından bir ağın nasıl eğitildiği ve aşırı öğrenmeden nasıl korunduğu (optimizasyon, düzenlileştirme, erken durdurma) ele alınır. Bu modül, CNN'den Transformer'a kadar sonraki tüm mimarilerin ortak dilidir.

4.1 Yapay Sinir Ağları (ANN)

Tek bir nörondan çok katmanlı ağlara uzanan yapının matematiksel olarak kurulduğu bölümdür. Logistic regresyonun tek nöronlu bir sinir ağı olarak yeniden yorumlanmasıyla başlar.

Logistic Regresyon ile temel Sinir Ağı Anlatımı

Logistic regresyonun; ağırlıklı toplam ve sigmoid aktivasyondan oluşan tek katmanlı, tek nöronlu bir sinir ağı olarak yeniden ele alınması. Bu benzetme, çok katmanlı ağlara geçişi kavramsal olarak kolaylaştırır.
Yapay Sinir Ağları (ANN) matematiksel modeli / Multi-layer perceptron

Girdi, gizli ve çıktı katmanlarından oluşan çok katmanlı algılayıcının (MLP) matematiksel gösterimi; ağırlık matrisleri, bias terimleri ve katmanlar arası ileri yayılım (forward propagation) denklemleri.
Backpropagation algoritması (matematiksel türetim)

Kayıp fonksiyonunun her ağırlığa göre türevinin zincir kuralıyla katmanlar arasında geriye doğru hesaplanması. Gradyanların nasıl biriktiği ve ağırlık güncellemesinde nasıl kullanıldığının adım adım türetilmesi.
Activation functions (sigmoid, tanh, ReLU)

Doğrusal olmayanlığı ağa kazandıran aktivasyon fonksiyonlarının matematiksel tanımları, türevleri, doyma (saturation) davranışları ve gradyan kaybı problemine katkıları; ReLU'nun neden derin ağlarda tercih edildiği.
Weight initialization strategies

Ağırlıkların sıfır veya rastgele büyük değerlerle başlatılmasının yol açtığı simetri ve gradyan patlaması/kaybı sorunları; Xavier/Glorot ve He gibi aktivasyona duyarlı başlatma stratejileri.
Sıfırdan Neural Network implementasyonu

İleri yayılım, kayıp hesabı, geri yayılım ve ağırlık güncellemesinin yalnızca NumPy kullanılarak baştan sona kodlanması. Kendi yazılan ağın küçük bir veri seti üzerinde eğitilip Keras/PyTorch ile karşılaştırılması.

4.2 Optimization ve Training

Bir ağın kayıp fonksiyonunu verimli biçimde minimize etme ve aşırı öğrenmeyi kontrol altında tutma tekniklerini kapsar. Modern derin öğrenmenin pratikte işe yaramasını sağlayan mühendislik detaylarıdır.

Gradient descent variants (SGD, Adam, RMSprop)

Tüm veriyle, tek örnekle veya küçük gruplarla (mini-batch) gradyan hesaplama farkları; momentum, RMSprop ve Adam gibi uyarlanabilir öğrenme oranlı optimizasyon yöntemlerinin çalışma mantığı ve hangi durumda tercih edildiği.
Learning rate scheduling

Öğrenme oranının eğitim boyunca sabit tutulması yerine zamanla azaltılması (step decay, exponential decay, cosine annealing) ve bunun yakınsama hızı ile kararlılığa etkisi.
Batch normalization matematiksel altyapı

Katman girdilerinin mini-batch içinde ortalama/varyansa göre normalize edilip öğrenilebilir ölçek ve kaydırma parametreleriyle yeniden ölçeklenmesi. Eğitimi hızlandırma ve iç kovaryans kaymasını (internal covariate shift) azaltma mekanizması.
Dropout ve regularization

Eğitim sırasında rastgele nöronların devre dışı bırakılarak (dropout) aşırı öğrenmenin engellenmesi; L1/L2 ağırlık cezalarının sinir ağlarına uygulanması ve düzenlileştirme gücünün doğrulama performansıyla ayarlanması.
Early stopping

Doğrulama hatası kötüleşmeye başladığında eğitimi durdurarak aşırı öğrenmeyi önleme stratejisi. Sabır (patience) parametresi, en iyi ağırlıkların saklanması ve öğrenme eğrileriyle birlikte izlenmesi.

Modül 5

Convolutional Neural Networks (CNN)

Görüntü ve uzamsal verideki yerel örüntüleri (kenar, doku, şekil) yakalamak üzere tasarlanmış ağ mimarilerini kapsar. Konvolüsyon işleminin matematiğinden başlayıp klasik mimarilere, ardından modern derin mimarilere ve nesne tespiti/segmentasyon gibi uygulamalara uzanır.

5.1 CNN Temelleri

Bir konvolüsyonel ağın yapı taşlarının (filtre, konvolüsyon, havuzlama) matematiksel ve pratik olarak kavrandığı bölümdür.

Convolution operation matematiği

Bir filtrenin (kernel) görüntü üzerinde kaydırılarak eleman bazlı çarpım ve toplam işlemiyle özellik haritası üretmesi. Konvolüsyonun neden kenar/doku gibi yerel örüntüleri yakaladığı ve tam bağlı katmana göre parametre avantajı.
Padding ve stride

Girdinin kenarlarına sıfır ekleyerek (padding) çıktı boyutunu koruma; filtrenin kaç adımda bir kaydığını belirleyen stride parametresi. Çıktı boyutunun bu iki parametreye göre nasıl hesaplandığı.
Pooling layers

Özellik haritalarını küçülterek hesap yükünü azaltan ve öteleme değişmezliği (translation invariance) katan max pooling ve average pooling katmanları; hangi durumda hangisinin tercih edildiği.
CNN architectures (LeNet, AlexNet, VGG)

CNN'in tarihsel gelişimini gösteren klasik mimariler: LeNet'in ilk pratik uygulaması, AlexNet'in derin öğrenmeyi popülerleştirmesi ve VGG'nin küçük filtrelerle derinliği artırma yaklaşımı.
Sıfırdan CNN implementasyonu

Konvolüsyon ve havuzlama işlemlerinin NumPy ile kodlanması, basit bir CNN'in görüntü sınıflandırma veri setinde eğitilmesi ve sonuçların Keras/PyTorch'taki hazır katmanlarla karşılaştırılması.

5.2 İleri CNN Konuları

Çok daha derin ağların eğitilebilmesini sağlayan mimari yenilikleri ve CNN'in sınıflandırmanın ötesindeki uygulamalarını (tespit, segmentasyon) kapsar.

ResNet ve skip connections

Katman sayısı arttıkça ortaya çıkan gradyan kaybı ve performans düşüşü sorununu, girdiyi katmanları atlayarak doğrudan ileriye taşıyan artık (residual) bağlantılarla çözen mimari.
Inception networks

Aynı katmanda farklı boyutlarda filtrelerin paralel çalıştırılıp sonuçların birleştirilmesiyle hem verimlilik hem çok ölçekli özellik yakalama sağlayan mimari yaklaşım.
MobileNet architectures

Derinlik yönünde ayrılabilir konvolüsyon (depthwise separable convolution) ile parametre ve hesap yükünü azaltarak mobil/gömülü cihazlarda çalışabilecek hafif CNN mimarileri.
Object detection (YOLO, R-CNN)

Görüntüdeki nesnelerin hem sınıfını hem konumunu (sınırlayıcı kutu) bulma problemi. R-CNN ailesinin bölge önerisi tabanlı yaklaşımı ile YOLO'nun tek geçişte tespit yapan hızlı yaklaşımının karşılaştırılması.
Semantic segmentation

Görüntüdeki her pikseli ait olduğu sınıfa etiketleme problemi; kodlayıcı-kod çözücü (encoder-decoder) yapılar ve nesne tespitinden farkı olarak piksel düzeyinde çıktı üretilmesi.

Modül 6

Recurrent Neural Networks (RNN)

Sıralı ve zamana bağlı verideki (metin, zaman serisi, ses) bağlamı modellemek için tasarlanmış ağ ailesidir. Temel RNN'in matematiğinden başlayıp uzun bağımlılık sorununu çözen LSTM/GRU gibi ileri mimarilere ve dikkat mekanizmasına kadar uzanır.

6.1 RNN Temelleri

Ağın kendi çıktısını bir sonraki adıma girdi olarak beslediği temel tekrarlayan yapının matematiksel ve pratik olarak öğretildiği bölümdür.

Vanilla RNN matematiksel model

Her zaman adımında aynı ağırlıkların kullanıldığı gizli durum (hidden state) güncellemesinin matematiksel gösterimi; girdi, önceki gizli durum ve çıktı arasındaki ilişki.
Backpropagation through time

Geri yayılımın zaman adımları boyunca açılarak (unroll) uygulanması; gradyanların zaman ekseninde nasıl biriktiği ve standart backpropagation'dan farkı.
Gradient vanishing/exploding

Uzun dizilerde gradyanların tekrar tekrar çarpılması sonucu sıfıra yaklaşması (vanishing) veya patlaması (exploding) sorunu; bunun uzun vadeli bağımlılıkların öğrenilememesine yol açması ve gradyan kırpma (clipping) gibi kısmi çözümler.
Sıfırdan RNN implementasyonu

Gizli durum güncellemesi, ileri yayılım ve zaman içinde geri yayılımın NumPy ile kodlanması; basit bir dizi tahmin probleminde eğitilip Keras/PyTorch'un SimpleRNN katmanıyla karşılaştırılması.

6.2 İleri RNN Architectures

Vanilla RNN'in uzun bağımlılık sorununu çözen kapı (gate) mekanizmalı mimarileri ve dizi-dizi problemlerine uygulanışını kapsar.

LSTM matematiksel analizi

Unutma, giriş ve çıkış kapılarıyla hücre durumunun (cell state) hangi bilgiyi tutup hangisini unutacağını öğrenen mimari. Kapı denklemlerinin türetilmesi ve gradyan akışını nasıl koruduğunun gösterilmesi.
GRU networks

LSTM'e benzer bilgi akışı kontrolünü daha az parametreyle sağlayan, güncelleme ve sıfırlama kapılarından oluşan sadeleştirilmiş mimari; LSTM ile hız/başarı karşılaştırması.
Bidirectional RNNs

Diziyi hem ileri hem geri yönde işleyen iki RNN'in birleştirilmesiyle her adımda hem geçmiş hem gelecek bağlamın kullanılması; bu yaklaşımın hangi görevlerde (örneğin dizi etiketleme) avantaj sağladığı.
Sequence-to-sequence models

Değişken uzunluktaki bir girdi dizisini değişken uzunlukta bir çıktı dizisine çeviren kodlayıcı-kod çözücü yapı; makine çevirisi ve özetleme gibi görevlerdeki temel mimari.
Attention mechanism

Kod çözücünün her adımda girdi dizisinin tamamına değil, o adım için en ilgili kısımlarına ağırlıklı olarak odaklanmasını sağlayan mekanizma; sabit uzunluklu bağlam vektörü darboğazını çözerek Transformer'a giden yolu açması.

Modül 7

Transformer Architecture

Tekrarlama (recurrence) kullanmadan, tamamen dikkat (attention) mekanizmasına dayanarak dizileri paralel işleyen ve günümüz büyük dil modellerinin temelini oluşturan mimaridir. Öz-dikkatin matematiğinden başlayıp BERT ve GPT gibi önceden eğitilmiş modellerin nasıl kullanılacağına kadar uzanır.

7.1 Transformer Temelleri

Öz-dikkat mekanizmasının ve kodlayıcı-kod çözücü yapının matematiksel olarak kurulduğu bölümdür.

Self-attention mechanism

Bir dizideki her elemanın, dizideki diğer tüm elemanlarla olan ilişkisini sorgu (query), anahtar (key) ve değer (value) vektörleri üzerinden hesaplayarak bağlamsal bir temsil üretmesi.
Multi-head attention matematiği

Dikkat hesabının birden fazla paralel 'kafa' ile farklı alt uzaylarda tekrarlanması ve sonuçların birleştirilmesi; bu sayede modelin aynı anda farklı türde ilişkileri (sözdizimsel, anlamsal) yakalayabilmesi.
Positional encoding

Transformer'ın konvolüsyon veya tekrarlama içermediği için sıra bilgisini kaybetmesi sorununu, sinüs/kosinüs tabanlı veya öğrenilebilir konum vektörleriyle girdiye ekleyerek çözmesi.
Encoder-decoder architecture

Girdiyi bağlamsal bir temsile dönüştüren kodlayıcı ile bu temsili kullanarak çıktı üreten kod çözücünün birleşimi; çapraz dikkat (cross-attention) ile iki bloğun birbirine bağlanması.
Sıfırdan Transformer implementasyonu

Öz-dikkat, çok başlı dikkat, konum kodlaması ve ileri beslemeli katmanların NumPy/PyTorch ile en yalın hâliyle kodlanması; küçük bir dizi-dizi görevinde eğitilip sonuçların doğrulanması.

7.2 BERT ve GPT Modelleri

Transformer mimarisi üzerine kurulu, büyük metin korpuslarında önceden eğitilmiş (pre-trained) iki referans modelin çalışma mantığını ve pratikte nasıl kullanıldığını kapsar.

Pre-training ve fine-tuning

Modelin önce büyük ve etiketsiz bir korpusta genel dil bilgisini öğrenmesi (pre-training), ardından küçük ve etiketli bir veri setiyle hedef göreve özelleştirilmesi (fine-tuning) iki aşamalı yaklaşım.
Transfer learning

Bir görevde öğrenilen temsillerin başka bir göreve aktarılması fikri; sıfırdan eğitime göre çok daha az veri ve hesapla iyi sonuç alınabilmesinin nedeni.
Tokenization strategies

Metnin modele verilmeden önce alt kelime birimlerine bölünmesi; BPE, WordPiece gibi alt kelime tokenizasyon yöntemlerinin bilinmeyen kelime (out-of-vocabulary) sorununu nasıl azalttığı.
Model optimization

Büyük önceden eğitilmiş modellerin bellek ve hız açısından daha verimli hâle getirilmesi: nicemleme (quantization), damıtma (distillation) ve budama (pruning) gibi tekniklere giriş.

Modül 8

Reinforcement Learning

Bir ajanın, bir ortamla etkileşerek deneme-yanılma yoluyla ödülü en üst düzeye çıkaracak davranışı öğrendiği öğrenme türüdür. Klasik teorik çerçeveden (MDP, Bellman denklemi) başlayıp derin öğrenmeyle birleştirilmiş modern yöntemlere (DQN, PPO) uzanır.

8.1 RL Temelleri

Pekiştirmeli öğrenmenin matematiksel çerçevesini ve klasik tablo tabanlı çözüm yöntemlerini kapsar.

Markov Decision Process

Bir ortamın durum, eylem, geçiş olasılığı ve ödül fonksiyonuyla tanımlanan matematiksel çerçevesi (MDP); Markov özelliğinin (gelecek yalnızca şimdiki duruma bağlıdır) anlamı.
Value functions

Bir durumun veya durum-eylem çiftinin uzun vadede sağlayacağı beklenen toplam ödülü ölçen değer fonksiyonları (V ve Q); optimal politikanın bu fonksiyonlar üzerinden nasıl tanımlandığı.
Policy gradient methods

Değer fonksiyonu üzerinden dolaylı değil, politikayı doğrudan parametreleyip beklenen ödülün gradyanına göre güncelleyen yaklaşımların temel fikri ve sürekli eylem uzaylarındaki avantajı.
Q-learning algoritması

Ortam modeli bilinmeden, deneyimden Q değerlerini yinelemeli olarak güncelleyen model-özgür (model-free) algoritma; keşif-sömürü (exploration-exploitation) dengesi ve epsilon-greedy stratejisi.
Bellman equation

Bir durumun değerinin, o durumdan alınabilecek anlık ödül ile bir sonraki durumun değeri cinsinden özyinelemeli olarak ifade edilmesi; Q-learning ve değer iterasyonunun bu denkleme dayanması.

8.2 Deep Reinforcement Learning

Klasik tablo tabanlı yöntemlerin büyük/sürekli durum uzaylarında çalışamamasını, değer veya politika fonksiyonunu bir sinir ağıyla yaklaşıklayarak aşan modern yaklaşımlardır.

Deep Q-Networks (DQN)

Q fonksiyonunun tablo yerine bir sinir ağıyla yaklaşıklanması; deneyim tekrarı (experience replay) ve hedef ağ (target network) gibi eğitimi kararlı hâle getiren tekniklerin kullanılması.
Policy gradient methods / Actor-Critic methods

Politikayı doğrudan öğrenen bir 'aktör' ile değer fonksiyonunu tahmin ederek aktöre geri bildirim veren bir 'eleştirmenin' birlikte eğitildiği hibrit yaklaşım; saf politika gradyanına göre daha düşük varyans sağlaması.
Proximal Policy Optimization (PPO)

Politika güncellemesinin çok büyük adımlarla eğitimi bozmasını önlemek için güncellemeyi belirli bir aralıkla sınırlayan (clipping) günümüzde yaygın kullanılan kararlı ve uygulaması nispeten kolay algoritma.

Modül 9

Generative Adversarial Networks (GANs)

Birbirine rakip iki ağın (üretici ve ayırt edici) karşılıklı eğitilmesiyle gerçekçi sentetik veri (görüntü, ses vb.) üretmeyi öğreten mimari ailesidir. Oyun teorisi temelinden başlayıp eğitim kararsızlığı sorunlarına ve modern ileri GAN mimarilerine uzanır.

9.1 GAN Temelleri

Üretici-ayırt edici rekabetinin matematiksel çerçevesini ve eğitim sırasında karşılaşılan tipik zorlukları kapsar.

Minimax game theory

Üretici ile ayırt edicinin zıt hedefler için aynı anda optimize edildiği minimax oyunu formülasyonu; denge (equilibrium) noktasının teorik olarak neyi ifade ettiği.
Generator ve discriminator

Rastgele gürültüden gerçekçi örnek üretmeye çalışan üretici ağ ile gerçek ve sahte örnekleri ayırt etmeye çalışan ayırt edici ağın mimarisi ve birbirlerine karşı nasıl geliştikleri.
Training dynamics

İki ağın dönüşümlü olarak güncellenmesi, kayıp fonksiyonlarının birbirine bağlı olması nedeniyle ortaya çıkan eğitim kararsızlığı ve dengeyi izlemek için kullanılan pratik ipuçları.
Mode collapse problemi

Üretici ağın veri dağılımının yalnızca dar bir kısmını (birkaç örnek türünü) üretmeye başlayarak çeşitliliği kaybetmesi sorunu; belirtileri ve azaltmaya yönelik yaklaşımlar.
Sıfırdan GAN implementasyonu

Basit bir üretici ve ayırt edici ağın PyTorch/Keras ile kodlanması, dönüşümlü eğitim döngüsünün kurulması ve küçük bir veri setinde (ör. el yazısı rakamlar) sentetik örnek üretiminin gözlenmesi.

9.2 İleri GAN Architectures

Temel GAN yapısının eğitim kararsızlığını ve kalite sınırlarını aşmak için geliştirilen mimari varyasyonlarını kapsar.

DCGAN

Tam bağlı katmanlar yerine konvolüsyonel katmanların kullanıldığı, görüntü üretiminde daha kararlı ve kaliteli sonuçlar veren mimari kalıplar (batch normalization, stride'lı konvolüsyonlar).
Wasserstein GAN

Kayıp fonksiyonunun, dağılımlar arası Wasserstein mesafesine dayandırılarak eğitim kararsızlığını ve mode collapse'ı azaltan yaklaşım; gradyan cezası (gradient penalty) ile Lipschitz kısıtının sağlanması.
StyleGAN

Stil vektörlerinin ağın farklı katmanlarına enjekte edilerek üretilen görüntünün kaba yapıdan ince detaya kadar kontrol edilebilmesini sağlayan ileri mimari; yüksek çözünürlüklü ve gerçekçi yüz üretimindeki başarısı.
Conditional GANs

Üretim sürecine sınıf etiketi veya başka bir koşul bilgisi eklenerek, rastgele yerine istenen özellikte (örneğin belirli bir sınıftan) örnek üretilmesini sağlayan yaklaşım.

Modül 10

Natural Language Processing (NLP)

Metin verisinin bilgisayarlar tarafından işlenebilir hâle getirilmesini ve anlamlandırılmasını kapsayan geniş alandır. Temel metin ön işlemeden klasik istatistiksel yöntemlere, oradan da metin sınıflandırma, çeviri ve özetleme gibi ileri uygulamalara doğru ilerler; büyük dil modellerine geçişin zeminini hazırlar.

10.1 NLP Fundamentals

Ham metnin sayısal temsile dönüştürülmesinin ilk adımlarını kapsar; bu temeller olmadan hiçbir metin modeli kurulamaz.

Text preprocessing techniques

Küçük harfe çevirme, noktalama/özel karakter temizliği, durak kelime (stop word) çıkarma, kök bulma (stemming) ve gövdeleme (lemmatization) gibi metni modele hazırlayan temel işlemler.
Tokenization and normalization

Metnin kelime, alt kelime veya karakter birimlerine bölünmesi (tokenization) ve farklı yazım biçimlerinin (büyük/küçük harf, aksan, sayı biçimi) tutarlı hâle getirilmesi (normalization).
Word embeddings

Kelimelerin, anlamsal yakınlıkları vektör uzayında yakınlık olarak yansıtacak şekilde yoğun (dense) sayısal vektörlerle temsil edilmesi; one-hot kodlamaya göre boyut ve anlam avantajı.
Word2Vec, GloVe, FastText

Kelime gömme (embedding) öğrenen üç klasik yöntemin karşılaştırılması: Word2Vec'in bağlam penceresinden öğrenmesi, GloVe'un küresel ortak geçme istatistiklerini kullanması ve FastText'in alt kelime bilgisiyle bilinmeyen kelimeleri de temsil edebilmesi.
N-gram models

Bir kelimenin olasılığını kendinden önceki sabit sayıda kelimeye (n-1) dayandıran istatistiksel dil modelleri; veri seyrekliği sorunu ve düzleştirme (smoothing) teknikleriyle kısmi çözümü.

10.2 Traditional NLP Techniques

Derin öğrenme öncesi dönemde ve hâlâ birçok pratik uygulamada kullanılan istatistiksel metin temsil ve analiz yöntemlerini kapsar.

Bag of Words (BoW)

Bir metni, kelime sırasını göz ardı ederek yalnızca kelime sayımlarıyla temsil eden basit ve yorumlanabilir yöntem; sınıflandırma görevlerinde hâlâ güçlü bir başlangıç noktası olması.
TF-IDF (Term Frequency-Inverse Document Frequency)

Bir kelimenin belgedeki sıklığı ile tüm korpustaki yaygınlığını dengeleyerek, belgeye özgü ve ayırt edici kelimelere daha yüksek ağırlık veren temsil yöntemi.
Language models

Bir kelime dizisinin olasılığını modelleyen klasik istatistiksel dil modeli fikri; sonraki kelimeyi tahmin etme görevinin, günümüz büyük dil modellerinin de temelinde yatan ortak hedef olduğu.
Latent Dirichlet Allocation (LDA)

Bir belge koleksiyonundaki gizli konuların (topic), kelime dağılımları üzerinden olasılıksal olarak çıkarılmasını sağlayan konu modelleme yöntemi; belgelerin karışık konu oranlarıyla temsil edilmesi.
Named Entity Recognition (NER)

Metindeki kişi, kurum, yer, tarih gibi özel adların otomatik olarak tespit edilip etiketlenmesi; klasik yaklaşımlarda kural tabanlı ve istatistiksel dizi etiketleme yöntemlerinin kullanılması.

10.3 Advanced NLP Topics

Metin temsillerinin gerçek dünya uygulamalarına dönüştürüldüğü, birden fazla alt görevi kapsayan bölümdür.

Sentiment analysis

Bir metnin duygu yönelimini (olumlu/olumsuz/nötr) belirleme görevi; sözlük tabanlı basit yaklaşımlardan öğrenme tabanlı sınıflandırıcılara geçiş.
Text classification

Metinleri önceden tanımlı kategorilere atama genel görevi (spam tespiti, konu etiketleme vb.); farklı metin temsillerinin (BoW, TF-IDF, embedding) sınıflandırıcı başarısına etkisi.
Named Entity Recognition

NER görevinin, önceki bölümde öğrenilen dizi etiketleme mantığının üzerine, bağlamsal temsillerle (embedding tabanlı modeller) nasıl daha başarılı hâle getirildiğinin ileri düzeyde ele alınması.
Machine translation

Bir dildeki metni anlamını koruyarak başka bir dile aktarma görevi; kodlayıcı-kod çözücü yapının ve dikkat mekanizmasının bu görevdeki kritik rolü.
Question-answering systems

Verilen bir bağlam metninden veya bilgi tabanından, sorulan soruya doğrudan cevap üretme/bulma görevi; ekstraktif (metinden alıntı) ve üretici (yeni cümle kurma) yaklaşımlar arasındaki fark.
Text summarization

Uzun bir metnin ana fikrini koruyarak kısaltılması; metinden cümle seçen özetleyici (extractive) ile yeni cümleler üreten soyutlayıcı (abstractive) özetleme yaklaşımlarının karşılaştırılması.
Language generation

Bir modelin, verilen bağlama uygun ve akıcı yeni metin üretmesi görevi; örnekleme stratejilerinin (greedy, beam search, top-k/top-p) üretilen metnin çeşitliliği ve tutarlılığı üzerindeki etkisi.

Modül 11

Large Language Models (LLM)

Transformer mimarisinin milyarlarca parametreye ve devasa metin korpuslarına ölçeklendirilmesiyle ortaya çıkan, günümüz yapay zeka uygulamalarının merkezindeki model ailesidir. Modül, ölçeklendirmenin getirdiği mimari ve eğitim farklarından başlayıp bu modellerin metin üretimi, soru cevaplama ve kod üretimi gibi gerçek uygulamalarda nasıl kullanılacağına odaklanır.

11.1 LLM Architecture

Standart Transformer'ın büyük ölçekte eğitilmesiyle ortaya çıkan mimari ve eğitim farklarını kapsar.

Transformer scaling

Model boyutu, veri miktarı ve hesaplama bütçesi arttıkça performansın nasıl öngörülebilir biçimde iyileştiğini gösteren ölçeklendirme yasaları (scaling laws) ve bunların model tasarımına yol gösterici rolü.
GPT architecture deep dive

Yalnızca kod çözücü (decoder-only) Transformer yapısına dayanan GPT ailesinin mimari detayları; otoregresif (autoregressive) metin üretiminin nasıl çalıştığı ve önceki dizi-dizi mimarilerden farkı.
Training strategies

Devasa metin korpuslarında sonraki kelimeyi tahmin ederek ön eğitim (pretraining), dağıtık eğitim altyapısı ihtiyacı ve eğitim kararlılığını sağlayan teknikler (öğrenme oranı ısınması, gradyan kırpma vb.).
Fine-tuning techniques

Önceden eğitilmiş büyük bir modelin belirli bir göreve veya insan tercihine (RLHF gibi yaklaşımların kavramsal tanıtımı) uyarlanması; tam ince ayar ile parametre-verimli ince ayar (LoRA gibi) yöntemleri arasındaki fark.

11.2 LLM Applications

Büyük dil modellerinin, öğrenilen genel dil becerisini somut görevlere nasıl uyguladığını kapsar.

Text generation

Verilen bir başlangıç metninden devam metni üretme; sıcaklık (temperature) ve örnekleme parametrelerinin üretilen metnin yaratıcılık/tutarlılık dengesine etkisi.
Question answering

Modelin, öğrendiği genel bilgiyi veya sağlanan bağlamı kullanarak doğal dilde sorulara cevap üretmesi; halüsinasyon (uydurma bilgi) riskinin farkında olunması gereken bir sınırlama olarak ele alınması.
Summarization

Uzun belgelerin, raporların veya konuşma dökümlerinin büyük dil modelleriyle özetlenmesi; klasik özetleme yöntemlerine göre daha akıcı ve bağlama duyarlı çıktı üretebilmesi.
Code generation

Doğal dil açıklamasından veya kısmi koddan çalışan kod üretme; modelin programlama dili söz dizimini ve yaygın kalıpları eğitim verisinden nasıl öğrendiği ve üretilen kodun mutlaka gözden geçirilmesi gerekliliği.

Modül 12

Framework Mastery

Önceki modüllerde matematiksel temelleri öğrenilen tüm mimarilerin, endüstride fiilen kullanılan iki büyük derin öğrenme kütüphanesinde (TensorFlow/Keras ve PyTorch) profesyonel düzeyde nasıl uygulanacağını kapsar. Amaç, katılımcıyı yalnızca hazır fonksiyon çağıran değil, kütüphaneyi özelleştirebilen bir seviyeye taşımaktır.

12.1 TensorFlow/Keras

TensorFlow ekosisteminde standart katmanların ötesine geçerek özelleştirme ve üretime alma becerilerini kapsar.

Custom layers ve metrics

Hazır Keras katmanlarının yetmediği durumlarda kendi katman ve metrik sınıflarının yazılması; build/call metotlarının rolü ve eğitim döngüsüne doğru şekilde entegre edilmesi.
Model subclassing

Sequential/Functional API yerine Model sınıfından türeterek tam esnek, koşullu dallanmalara sahip mimarilerin kodlanması; ne zaman subclassing'in gerekli olduğu.
Distributed training

Modelin birden fazla GPU/TPU üzerinde tf.distribute stratejileriyle paralel eğitilmesi; veri paralelliği yaklaşımının temel mantığı.
TensorFlow Serving

Eğitilmiş bir modelin, üretim ortamında istek/yanıt (request/response) mimarisiyle sunulmasını sağlayan TensorFlow Serving altyapısının temel kullanımı.

12.2 PyTorch

PyTorch'un esnek, Pythonic yaklaşımıyla veri hazırlamadan model optimizasyonuna kadar profesyonel geliştirme pratiklerini kapsar.

Custom datasets ve dataloaders

Kendi veri setine özel Dataset sınıfının yazılması, __getitem__/__len__ metotları ve DataLoader ile batch'leme, karıştırma (shuffle) ve paralel veri yüklemenin yapılandırılması.
Model scripting

Eğitilmiş bir PyTorch modelinin TorchScript ile Python bağımlılığından bağımsız, üretime uygun bir formata dönüştürülmesi (tracing ve scripting yöntemleri).
Distributed training

PyTorch'ta DistributedDataParallel gibi araçlarla modelin birden fazla cihaz/düğümde paralel eğitilmesi; veri parçalama ve gradyan senkronizasyonunun temel mantığı.
Model optimization

Eğitilmiş modelin çıkarım (inference) hızı ve bellek tüketimi için nicemleme, budama ve TorchScript/ONNX gibi dönüşümlerle optimize edilmesi.

Modül 13

Model Deployment ve Production

Eğitilmiş bir modelin defterden (notebook) çıkıp gerçek kullanıcılara hizmet veren, izlenebilir ve sürdürülebilir bir sisteme dönüştürülmesini kapsayan kapanış modülüdür. API olarak sunma, konteynerleştirme, sürümleme ve üretimdeki modelin sürekli izlenmesi gibi MLOps pratiklerini içerir.

13.1 Model Serving

Eğitilmiş bir modelin dış sistemlerin erişebileceği bir servis hâline getirilmesi sürecini kapsar.

REST API development

Modelin tahmin fonksiyonunu, HTTP istekleriyle çağrılabilen bir REST API uç noktası (endpoint) olarak sunulması; istek/yanıt şemasının tasarımı ve girdi doğrulama.
Docker containerization

Model, bağımlılıkları ve çalışma ortamının tek bir Docker imajında paketlenmesi; bu sayede geliştirme ve üretim ortamları arasındaki tutarsızlıkların ortadan kaldırılması.
Model versioning

Farklı eğitim çalıştırmalarından çıkan model sürümlerinin izlenmesi, etiketlenmesi ve gerektiğinde önceki bir sürüme güvenli şekilde geri dönülebilmesi.
A/B testing

Yeni bir model sürümünün, mevcut üretim modeliyle gerçek trafiğin bir kısmı üzerinde karşılaştırmalı olarak test edilmesi; iş metriklerine göre hangi sürümün üretime tam geçeceğine karar verilmesi.

13.2 MLOps

Model geliştirme, dağıtım ve izleme süreçlerinin yazılım mühendisliği disipliniyle otomatikleştirilmesini kapsar.

CI/CD for ML

Kod ve veri değiştiğinde modelin otomatik olarak test edilip yeniden eğitilmesini ve dağıtılmasını sağlayan sürekli entegrasyon/sürekli dağıtım hattının makine öğrenmesi projelerine uyarlanması.
Model monitoring

Üretimdeki modelin tahmin performansının, girdi veri dağılımındaki kaymanın (data drift) ve gecikme/hata oranlarının sürekli izlenmesi; performans düştüğünde yeniden eğitim tetikleyicilerinin kurulması.

Eğitmenler

Erdem Taha Sokullu

Yapay Zeka Mühendisi

Cevahir Holding / Aytunga Savunma Sanayi bünyesinde Yapay Zeka Birimi Takım Lideri olarak, savunma sanayiine yönelik ileri teknoloji çözümlerinin geliştirilmesi ve uygulanması süreçlerini yönetmektedir. Bu kapsamda, teknik ekipleri koordine ederek projelerin planlanmasından hayata geçirilmesine kadar tüm aşamalarda akt...

Ayar Damgası

Uluslararası geçerli, doğrulanabilir sertifika

Eğitim sonunda yapılan online sınavda başarılı olan katılımcılar, uluslararası geçerliliğe sahip onaylı sertifika almaya hak kazanır.

Onaylı
Sertifika

Toplam mezun

Uygulama saati

Uluslararası

Onaylı sertifika

Benzer Eğitimler

deneme

İleri Seviye Drone Yapımı ve Kodlama Eğitimi

Bu eğitim, drone teknolojisine hiçbir ön bilgisi olmayanları da ileri seviyeye taşımayı hedefleyen kapsamlı bir programd...

Detaylar İncele

deneme

İleri Seviye İş İngilizcesi

Bu eğitim, temel İngilizce bilgisine sahip olup dil becerilerini bir üst seviyeye taşımak isteyenler için hazırlanmış ka...

Detaylar İncele

deneme

Başlangıç Seviyesi İş İngilizcesi

Bu eğitim, İngilizceye sıfırdan başlamak isteyen veya temel bilgilerini sağlamlaştırmayı hedefleyenler için hazırlanmış...

Detaylar İncele

Sık sorulan sorular

Bu eğitime doğrudan başlayabilir miyim, yoksa başlangıç seviyesini tamamlamam gerekir mi?

Eğitim ileri düzey olarak kurgulandığı için Python, NumPy/Pandas ve temel makine öğrenmesi bilgisi gerekiyor. Müfredatın ilk modülü tekrar amaçlı Python temellerini içeriyor; yine de başlangıç seviyesindeki konulara hâkim olmanız programı verimli takip etmenizi sağlar.

Eğitim ne kadar sürüyor ve toplam içerik saati nedir?

Program 4 ay sürmekte olup toplam 100 saat eğitim içeriği barındırıyor. Eğitim uzaktan verildiği için içerikleri kendi programınıza göre ilerletebilirsiniz.

Ders videolarına erişimim eğitim bittikten sonra da devam eder mi?

Evet. Videolara erişim ömür boyu geçerli. Ayrıca eğitim içeriği güncellendiğinde bu güncellemelere de ömür boyu erişebiliyorsunuz.

Eğitim sonunda sertifika veriliyor mu?

Eğitimi tamamlayıp yapılacak değerlendirmelerden başarılı olan kursiyerler "Yapay Zeka Uzmanı" unvanı almaya hak kazanıyor ve uluslararası onaylı sertifika alıyor.

Sınav nasıl yapılıyor?

Sınav online olarak gerçekleştiriliyor; sınava girmek için bir merkeze gitmeniz gerekmiyor.

Eğitmene soru sorabilir miyim?

Evet. Eğitmen Erdem Taha Sokullu ile iletişim Telegram üzerinden sağlanıyor. Ayrıca tüm eğitimlerde video, görsel ve sesli içeriklerin yanı sıra canlı destek ve derse ait belgelerin temini de sunuluyor.

Bu eğitimde hangi kütüphaneler ve teknolojiler kullanılıyor?

TensorFlow, Keras ve PyTorch üzerinde ileri seviye çalışmalar yapılıyor. Ayrıca model servis etme tarafında REST API geliştirme, Docker ve MLOps araçları müfredatta yer alıyor.

Sadece hazır kütüphane kullanımı mı öğretiliyor, algoritmaların içi de anlatılıyor mu?

Her iki taraf da işleniyor. Backpropagation, self-attention, GAN'ların minimax mantığı gibi konular matematiksel olarak türetiliyor; ayrıca sinir ağı, CNN, RNN, Transformer ve GAN sıfırdan kodlanıyor.

Matematik altyapım ne düzeyde olmalı?

Derin öğrenme modülleri türev, zincir kuralı, doğrusal cebir (matris çarpımı, özdeğer ayrışımı) ve temel olasılık kavramlarına dayanıyor. Konular adım adım türetilerek anlatılsa da bu kavramlara aşinalık eğitimi belirgin şekilde kolaylaştırır.

Eğitim sonunda modelimi gerçek bir ürüne dönüştürebilir miyim?

Evet. Müfredatın son modülleri tam olarak buna ayrılmış: REST API ile model servis etme, Docker ile paketleme, model versiyonlama, A/B testi, ML için CI/CD ve model izleme konuları işleniyor.

Ne Öğreneceksiniz?

Müfredat

1.1 Temel Söz Dizimi ve Değişkenler

1.2 Veri Yapıları

1.3 Kontrol Yapıları

1.4 Fonksiyonlar ve Modüller

1.5 Nesne Yönelimli Programlama

2.1 Clustering

2.2 Dimensionality Reduction

3.1 Evaluation Metrics

3.2 Model Selection

4.1 Yapay Sinir Ağları (ANN)

4.2 Optimization ve Training

5.1 CNN Temelleri

5.2 İleri CNN Konuları

6.1 RNN Temelleri

6.2 İleri RNN Architectures

7.1 Transformer Temelleri

7.2 BERT ve GPT Modelleri

8.1 RL Temelleri

8.2 Deep Reinforcement Learning

9.1 GAN Temelleri

9.2 İleri GAN Architectures

10.1 NLP Fundamentals

10.2 Traditional NLP Techniques

10.3 Advanced NLP Topics

11.1 LLM Architecture

11.2 LLM Applications

12.1 TensorFlow/Keras

12.2 PyTorch

13.1 Model Serving

13.2 MLOps

Eğitmenler

Uluslararası geçerli, doğrulanabilir sertifika

Benzer Eğitimler

Sık sorulan sorular

Altın bir kariyerebugün başla.

Altın bir kariyere
bugün başla.