Eğitimin Amacı ve Kapsamı
Derin öğrenme kütüphanelerinde birkaç satır kodla model tanımlamak kolaydır; ancak gradyanların neden kaybolduğunu, loss eğrisinin neden salındığını veya modelin neden ezberlediğini anlamak sağlam bir temel gerektirir. Bu program; çok katmanlı algılayıcıları (MLP), ReLU/GELU aktivasyonlarını, cross-entropy ve MSE gibi loss fonksiyonlarını, autograd ile backpropagation mekanizmasını, SGD/AdamW optimizasyonunu ve dropout, weight decay, batch/layer normalization tekniklerini ele alır.
Katılımcılar PyTorch üzerinde tensör işlemlerinden başlayarak veri yükleyici (DataLoader), eğitim/doğrulama döngüsü ve temel CNN/dizi yapılarını sıfırdan kurar; kurum vakasına benzer bir veri setinde klasik ML baseline'ı ile sinir ağı modelini karşılaştıran bir çalışma örneği üretir.
Kimler Katılmalı?
- Derin öğrenmeye geçiş yapan yazılım geliştiriciler ve veri bilimciler
- Klasik makine öğrenmesinden sinir ağlarına adım atan analitik uzmanları
- Yapay zeka projelerinde görev alacak AR-GE ve platform mühendisleri
- Ön koşul: Python programlama ve temel doğrusal cebir/türev bilgisi
Kazanımlar
- Tensör işlemlerini ve otomatik türev (autograd) grafiğini doğru kullanmak
- Problem tipine uygun ağ katmanlarını, aktivasyon ve loss fonksiyonunu seçmek
- PyTorch ile tekrarlanabilir eğitim ve doğrulama döngüsü yazmak
- Learning rate, batch size, dropout ve normalization ile aşırı öğrenmeyi kontrol etmek
- Eğitim eğrilerini ve gradyan akışını inceleyerek temel eğitim sorunlarını teşhis etmek
Konular
Yapay Sinir Ağları ve Autograd Mekanizması
- Tensörler, doğrusal katmanlar ve doğrusal olmayan aktivasyonlar (ReLU, GELU, SiLU)
- Hesaplama grafiği, zincir kuralı ve backpropagation
Loss Fonksiyonları ve Optimizasyon
- MSE, Huber, Binary/Categorical Cross-Entropy
- SGD, momentum, Adam ve AdamW; learning rate etkileri
PyTorch ile Eğitim Döngüsü ve Veri Hattı
- Dataset, DataLoader, mini-batch yapısı ve GPU aktarımı
- Eğitim/eval modları, checkpoint kaydetme ve tohum (seed) sabitleme
Regülarizasyon ve Eğitim İstikrarı
- Overfitting teşhisi, weight decay, dropout ve early stopping
- Ağırlık ilklendirme (He/Xavier), BatchNorm ve LayerNorm
Uzamsal ve Sıralı Veriye Giriş ve Uygulama
- Evrişimli (CNN) ve gömme (Embedding) katmanlarının mantığı
- Kurum vakası üzerinde uçtan uca eğitim ve kontrol listesi
Bu Kategorideki Diğer Eğitimler
-
Büyük ölçekli ve kararlı derin öğrenme: BF16/FP16 mixed precision, DDP/FSDP ile çoklu GPU eğitimi, self-supervised ve contrastive pretraining, metric learning, bilgi damıtma (distillation) ve profil analizi.
- Canlı Kurs
- 5 modül
-
ResNet ve ConvNeXt'ten Vision Transformer (ViT), Swin, hibrit omurgalar, State Space Models (Mamba), Mixture-of-Experts (MoE) ve multimodal mimarilere; probleme ve donanıma uygun ağ tasarımı ve seçimi.
- Canlı Kurs
- 5 modül
-
Self-attention mekanizması, Multi-Head/Grouped-Query Attention, RoPE konumsal kodlama, encoder/decoder/encoder-decoder aileleri, KV cache ve FlashAttention; PyTorch ile sıfırdan ve Hugging Face ile uygulamalı.
- Canlı Kurs
- 5 modül
-
Keras 3 ve TensorFlow 2 ekosistemi: Functional/Subclassing API, tf.data pipeline'ları, özel eğitim döngüleri (GradientTape), tf.distribute ve SavedModel/TF Serving/TFLite ile kurumsal model dağıtımı.
- Canlı Kurs
- 5 modül
-
Quantization (PTQ, QAT, INT8/INT4), yapısal pruning, knowledge distillation ve ONNX Runtime, TensorRT, OpenVINO, LiteRT (TFLite) ile bulut GPU maliyetini düşüren ve uç cihazlarda çalışan hızlı modeller.
- Canlı Kurs
- 5 modül
-
Üretken derin öğrenmenin temelleri ve mimarileri: VAE, GAN, Normalizing Flows, Denoising Diffusion (DDPM/Latent Diffusion), Flow Matching ve otoregresif modeller; sentetik veri ve çok modlu üretim.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
