Eğitimin Amacı ve Kapsamı
Doğru sinir ağı mimarisi seçimi yalnızca doğruluk değil; endüktif önyargı (inductive bias), bağlam uzunluğu, bellek ayak izi ve çıkarım gecikmesi arasındaki dengeyi belirler. Bu program; modern evrişimli omurgaları (ResNet, EfficientNet, ConvNeXt), görsel ve genel amaçlı Transformer'ları (ViT, Swin), uzun diziler için doğrusal karmaşıklıklı State Space Modellerini (S4, Mamba), seyrek aktifleşen Mixture-of-Experts (MoE) katmanlarını ve multimodal füzyon mimarilerini karşılaştırmalı olarak inceler.
Katılımcılar timm ve Hugging Face ekosistemindeki hazır omurgaları kendi başlıklarıyla (custom heads) birleştirir, farklı veri kiplerini (tablo + metin + görüntü) ortak bir mimaride kaynaştırır ve kurum problemi için mimari seçim matrisi oluşturur.
Kimler Katılmalı?
- Derin öğrenme mimarisi tasarlayan veya uyarlayan veri bilimciler ve ML mühendisleri
- Görüntü, dizi, ses ve multimodal sistemler geliştiren AR-GE ekipleri
- Model doğruluğu ile donanım gecikmesi arasında seçim yapan teknik liderler
- Ön koşul: PyTorch ve temel sinir ağı (CNN/RNN/MLP) bilgisi
Kazanımlar
- Veri ölçeği ve yapısal özelliğe göre CNN, Transformer, SSM veya hibrit omurga seçmek
- ConvNeXt, ViT ve Swin mimarilerini timm ile özelleştirip transfer learning uygulamak
- Uzun dizi problemlerinde attention ile Mamba/SSM yapılarını bellek ve hız açısından kıyaslamak
- Tablo, metin ve görüntü girdilerini cross-attention ve gated fusion ile tek modelde birleştirmek
- FLOPs, parametre sayısı ve gerçek donanım gecikmesini (throughput/latency) ölçerek mimari kararı vermek
Konular
Mimari Yapı Taşları ve Inductive Bias
- Residual bağlantılar, pre-norm/post-norm, RMSNorm ve SwiGLU
- Derinlik, genişlik, alıcı alan (receptive field) ve ölçekleme yasaları
Modern Evrişimli ve Görsel Transformer Omurgaları
- ResNet'ten ConvNeXt ve EfficientNet'e evrişim tasarımı
- Vision Transformer (ViT), Swin pencereli dikkat ve hibrit omurgalar
Uzun Diziler: State Space Models (Mamba) ve Hibritler
- Karesel attention darboğazı ve doğrusal dikkat yaklaşımları
- Seçici durum uzayı modelleri (S4, Mamba) ve Jamba tarzı hibrit bloklar
Seyrek Mimariler ve Mixture-of-Experts (MoE)
- Top-k yönlendirici (router), uzman kapasitesi ve yük dengeleme kaybı
- Toplam parametre vs aktif parametre: eğitim ve çıkarım etkisi
Multimodal Füzyon ve Mimari Seçim Çalıştayı
- Erken, geç ve cross-attention tabanlı multimodal birleştirme
- Kurum problemi için FLOPs, bellek ve doğruluk karşılaştırma çıktısı
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
