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) |
Bilgisayar Bilimi ve Mühendisliği alanında bilimsel araştırma yaparak geniş ve derin bilgilere ulaşma, değerlendirme, yorumlama ve uygulama becerisi. |
|
2) |
Sınırlı ya da eksik bilgiyi kapatmak ve uygulamak için bilimsel yöntemleri kullanma ve farklı disiplinlerin bilgilerini bütünleştirme kabiliyeti. |
|
3) |
Bilgisayar Bilimi ve Mühendisliği problemlerini kurgulayabilme, problemleri çözmek için yöntemler geliştirebilme ve çözümde yenilikçi yöntemler kullanabilme. |
|
4) |
Yeni ve/veya orijinal fikirler ve algoritmalar geliştirme becerisi; sistem, bileşen veya süreç tasarımında yenilikçi çözümler geliştirmek. |
|
5) |
Bilgisayar Mühendisliğinde uygulanan güncel teknikler ve yöntemler ve bunların kısıtları hakkında geniş bilgi sahibi olma kabiliyeti. |
|
6) |
Analitik modelleme ve deneysel araştırma tasarlama ve uygulama, süreçte karşılaşılan karmaşık durumları çözme ve yorumlama becerisi. |
|
7) |
Bir yabancı dili (İngilizce) en az Avrupa Dil Portföyü seviyesinde sözlü ve yazılı iletişimde kullanabilme kabiliyeti. |
|
8) |
Çok disiplinli ekiplerde liderlik etme, karmaşık durumlara çözüm geliştirme ve sorumluluk alma kabiliyeti. |
|
9) |
Toplumsal, yasal, etik ve ahlaki değerlerin bilincinde olmak ve bu değerler çerçevesinde araştırma ve uygulama çalışmaları yapabilmek. |
|
10) |
Bilgisayar Bilimi ve Mühendisliği alanında yeni ve gelişmekte olan uygulamalar hakkında farkındalık ve bunları inceleme ve gerekirse öğrenme kabiliyeti. |
|