Dersin Amacı: |
Bu Derin Öğrenmede yüksek lisans düzeyinde bir giriş dersidir. Derin Öğrenmede birçok kavram ve algoritmaya, teoriye ve pratik çalışmaya geniş bir giriş yapar. Temel kavramlar ve seçilen derin öğrenme algoritmaları ve uygulamaları sunulmaktadır. |
Dersin İçeriği: |
İleri Veri Analizi için Derin Öğrenme kursu, yüksek lisans düzeyindeki öğrencileri veri analizi alanındaki derin öğrenmenin teorik temelleri, en son teknikleri ve pratik uygulamaları hakkında derin bir anlayışla donatmak için tasarlanmıştır. Benzeri görülmemiş veri kullanılabilirliği çağında derin öğrenme, karmaşık kalıpları ayıklamak, akıllı karar vermeyi sağlamak ve çeşitli alanlarda inovasyonu ilerletmek için dönüştürücü bir araç olarak ortaya çıktı. Teori, uygulamalı kodlama ve gerçek dünya projelerinin dengeli bir karışımı sayesinde katılımcılar, karmaşık veri yapılarını çözmek, derin öğrenme modelleri geliştirmek ve uygulamak ve yapay zeka odaklı araştırma ve uygulamaların ön saflarına katkıda bulunmak için uzmanlık kazanacaklar. Bu ders, sinir ağı mimarileri, optimizasyon algoritmaları, evrişimli ve tekrarlayan ağlar, üretken modeller ve transfer öğrenme gibi temel konuları kapsar. TensorFlow ve PyTorch gibi popüler çerçeveleri kullanarak pratik uygulamaya odaklanırken derin öğrenmenin matematiksel temellerini araştırır. Katılımcılar, görüntü analizi, doğal dil işleme, öneri sistemleri ve daha fazlasındaki sorunları çözmek için derin öğrenme teknikleri uygulayarak gerçek dünyadaki veri kümeleri ve projeleriyle ilgilenecekler. |
Hafta |
Konu |
Ön Hazırlık |
1) |
Derin Öğrenmeye Giriş
- Derin öğrenmenin gelişimi ve önemi
- Sinir ağı temelleri: nöronlar, katmanlar, aktivasyon fonksiyonları
- İleri beslemeli sinir ağları ve mimarileri |
|
2) |
Optimizasyon ve Eğitim
- Kayıp fonksiyonları ve optimizasyondaki rolleri
- Gradyan iniş varyantları: SGD, Adam, RMSProp
- Geri yayılım algoritması ve zincir kuralı |
|
3) |
Evrişimli Sinir Ağları (CNN'ler)
- CNN'lerin arkasındaki motivasyon: mekansal verileri işleme
- Evrişimli katmanlar, havuzlama katmanları ve filtreler
- Mimariler: LeNet, AlexNet, VGG, ResNet |
|
4) |
Tekrarlayan Sinir Ağları (RNN'ler) ve Dizi Modelleri
- Sıralı verileri ve zorlukları anlama
- RNN mimarisi ve kaybolan gradyan problemi
- Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) |
|
5) |
Derin Öğrenme ile Doğal Dil İşleme (NLP)
- Kelime yerleştirmeleri: Word2Vec, GloVe
- Makine çevirisi için diziden diziye modeller
- Dikkat mekanizmaları ve Transformatörler |
|
6) |
Üretken Modeller ve Denetimsiz Öğrenme
- Üretken modellere giriş: otomatik kodlayıcılar ve GAN'lar
- Değişken Otomatik Kodlayıcılar (VAE'ler) ve uygulamaları
-Görüntü oluşturmada GAN'ları ve uygulamaları eğitmek |
|
7) |
Aktarım Öğrenimi ve İnce Ayar
- Yeni görevler için önceden eğitilmiş modellerden yararlanma
- Özellik çıkarma ve ince ayar stratejileri
- Farklı alanlarda transfer öğrenme vaka çalışmaları |
|
8) |
Ara Sınav |
|
9) |
Derin Öğrenmede Etik ve Önyargı
- Veri ve algoritmalardaki önyargıların ele alınması
- AI ve derin öğrenme uygulamalarında etik hususlar |
|
10) |
Gelişmiş Konular ve Yükselen Trendler
- Takviyeli öğrenme ve bunun derin öğrenmeyle bağlantısı
- Açıklanabilir AI ve derin modellerin yorumlanabilirliği
- Derin öğrenme araştırma ve uygulamalarındaki eğilimler |
|
11) |
Gerçek Dünya Projeleri ve Vaka Çalışmaları
- Çeşitli uygulamalar için derin öğrenme çözümlerinin uygulanması
- Uygulamalı projeler aracılığıyla gerçek dünyadaki zorluklar için derin öğrenme çözümleri uygulayın |
|
12) |
|
|
13) |
Pratik Oturumlar
- Daha hızlı eğitim için GPU ortamlarını kurma ve kullanma konusunda rehberlik
- Uygulamalı projeler aracılığıyla gerçek dünyadaki zorluklar için derin öğrenme çözümleri uygulayın |
|
14) |
Final |
|
Ders Notları / Kitaplar: |
Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016
Dive into Deep Learninghttp://d2l.ai/index.html
Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
|
Diğer Kaynaklar: |
Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016
Dive into Deep Learninghttp://d2l.ai/index.html
Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (2019), 5th edition, Aurélien Geron
|
|
Dersin Program Kazanımlarına Etkisi |
Katkı Payı |
1) |
Yazılım mühendisliği, veri yönetimi ve bilgisayar güvenliği gibi temel bilgi teknolojilerindeki güncel teknik kavramları ve uygulamaları kullanma becerisi. |
|
2) |
Kullanıcı ihtiyaçlarının belirlenmesi, analiz edilmesi ve bilgisayar tabanlı sistemlerin seçiminde, değerlendirilmesinde ve yönetiminde kullanımının anlaşılması. |
|
3) |
Veri yapılarını kullanma ve algoritma geliştirme becerisi. |
|
4) |
Karmaşık büyük veri sistemlerini analiz etme ve yorumlama becerisi. |
|
5) |
Makine öğrenmesindeki kavram ve algoritmaların yorumlanması ve uygulanması becerisi. |
|
6) |
Veri analizi alanındaki derin öğrenmenin Matematik temellerinin anlaşılması ve teoriyi uygulama becerisi. |
|
7) |
Karmaşık veri yapılarını çözme, derin öğrenme modelleri geliştirme ve uygulama becerisi ve bu konularla ilgili yapay zeka odaklı araştırmaları yorumlama becerisi. |
|
8) |
Görüntü analizi, doğal dil işleme ve öneri sistemlerindeki sorunları çözmek için derin öğrenme tekniklerini uygulama ve gerçek dünya veri kümeleri ve projelerini yorumlama becerisi. |
|
9) |
Dijital sinyal işlemenin temel prensiplerini ve matematiksel altyapısını pratik uygulamalara aktarma becerisi. |
|
10) |
İnternet aracılığıyla kullanılan araç ve teknolojiler ile sunucu kodlama dilleri ve araçları için kullanılan farklı teknolojiler hakkında bilgi kazanılması. |
|
11) |
Tek hücreli organizmalarda genetik bilgi akışı ve çok hücreli organizmalarda genlerin nasıl işlediğinin anlaşılması ve biyoteknoloji alanındaki uygulamaları yorumlama ve uygulama becerisi. |
|
12) |
Etik değerlerin bilincinde olunması ve bu değerler çerçevesinde araştırma ve uygulama yapılması gerekliliğinin anlaşılması. |
|