Eğitimin Amacı ve Kapsamı
Hazır üretken API'leri çağırmanın ötesinde; kendi alanında sentetik veri üretmek, görüntü/ses/tasarım sentezi yapmak veya üretken modelleri özelleştirmek isteyen mühendisler için üretken derin öğrenmenin matematiksel ve mimari ailelerini kapsar. Eğitimde Variational Autoencoders (VAE ve ELBO), GAN'lar, Denoising Diffusion Probabilistic Models (DDPM, DDIM), Latent Diffusion, Flow Matching ve ayrık token'lar üzerinde otoregresif üretim karşılaştırmalı olarak işlenir.
Classifier-free guidance, ControlNet/LoRA ile koşullu üretim, tablo ve zaman serisi için gizlilik korumalı sentetik veri üretimi ve FID, kapsama, çeşitlilik, ezberleme (memorization) metrikleri PyTorch ve Hugging Face Diffusers ile uygulanır.
Kimler Katılmalı?
- Derin öğrenme araştırmacıları, veri bilimciler ve ML mühendisleri
- Görüntü, ses, mühendislik tasarımı veya sentetik tablo/zaman serisi çalışan ekipler
- Üretken modelleri kurum verisine uyarlayan (LoRA/ControlNet) geliştiriciler
- Ön koşul: PyTorch ve derin öğrenme temelleri
Kazanımlar
- VAE, GAN, Diffusion, Flow Matching ve otoregresif ailelerin hız, kalite ve mod kapsama dengesini ayırt etmek
- PyTorch ve Diffusers ile koşullu latent diffusion ve Flow Matching modelleri çalıştırıp ince ayar yapmak
- ControlNet ve LoRA adaptörleriyle üretimi yapısal kısıtlara ve kurum stiline bağlamak
- Az bulunan veya gizlilik kısıtlı tablo/zaman serisi verisi için sentetik veri üreteci kurmak
- Üretilen örnekleri sadakat (fidelity), çeşitlilik ve eğitim verisi ezberleme riski açısından ölçmek
Konular
Üretken Modelleme Taksonomisi: VAE ve GAN
- Gizli değişken modelleri, ELBO, VQ-VAE ve ayrık kod kitapları
- Adversarial kayıplar, mod çökmesi (mode collapse) ve üretken üçlem
Diffusion ve Flow Matching Mimarileri
- İleri gürültü ekleme, ters denoising (DDPM/DDIM) ve score matching
- U-Net ve Diffusion Transformer (DiT) omurgaları; Flow Matching ile hızlı örnekleme
Koşullu Üretim, LoRA ve ControlNet
- Cross-attention koşullama ve Classifier-Free Guidance (CFG)
- Diffusers ile LoRA ince ayarı ve ControlNet ile yapısal kontrol
Sentetik Tablo ve Zaman Serisi Üretimi
- Dengesiz veri zenginleştirme ve test ortamları için sentetik veri
- CTGAN, TVAE ve diffusion tabanlı tablo/zaman serisi üreteçleri
Değerlendirme, Ezberleme ve Güvenlik
- FID, CLIP-Score, precision/recall ve sentetik veri fayda (TSTR) testleri
- Eğitim verisi kopyalama (memorization) kontrolü ve filigranlama
Bu Kategorideki Diğer Eğitimler
-
MDP, Q-Learning, DQN, Policy Gradient (PPO, SAC), contextual bandits ve Offline RL; Gymnasium ve Stable-Baselines3 ile dinamik fiyatlama, kaynak tahsisi ve kontrol problemleri için ardışık karar modelleri.
- Canlı Kurs
- 5 modül
-
İşlem dizileri, oturum akışları ve işlem ağları üzerinde derin sahtekarlık modelleri: Transformer/RNN dizi modelleri, autoencoder anomali skorları, GNN ile sahtekarlık halkaları ve GBDT+DL hibrit mimarileri.
- Canlı Kurs
- 5 modül
-
Üretim hattı görüntüleri, akustik/titreşim sinyalleri ve sistem loglarında derin hata tespiti: PatchCore/PaDiM, Anomalib, YOLO/segmentasyon, 1D-CNN/autoencoder ve sadece sağlam örneklerle (one-class) eğitim.
- Canlı Kurs
- 5 modül
-
N-BEATS, N-HiTS, Temporal Fusion Transformer (TFT), PatchTST, DeepAR ve TCN ile çok değişkenli, uzun ufuklu ve olasılıksal zaman serisi tahmini; NeuralForecast ve PyTorch Forecasting ile uygulama.
- Canlı Kurs
- 5 modül
-
Büyük ölçekli derin öneri mimarileri: Two-Tower vektör arama (FAISS/Qdrant), SASRec/BERT4Rec ile oturum dizisi önerileri, DeepFM/DCN-v2/DLRM ile CTR/CVR sıralama ve çok hedefli (MMoE) öğrenme.
- Canlı Kurs
- 5 modül
-
Türkçe ve çok dilli metinlerde ön işleme, morfoloji, regex, tokenizasyon, TF-IDF, kelime/cümle embedding'leri, spaCy ve scikit-learn/Hugging Face ile ilk metin sınıflandırma, NER ve duygu analizi modelleri.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
