Email bilgi@runelab.ai
Telefon 530 971 51 29
WhatsApp
Model Online/Fiziksel
Modüller 12 modül

Genel Tanım

Eğitmen

PyTorch ile Derin Öğrenme Eğitimi, derin öğrenme algoritmalarını dinamik, esnek ve kullanıcı dostu bir ortamda geliştirmek, eğitmek ve optimize etmek için PyTorch kütüphanesinin sunduğu tüm araçları kapsamlı bir biçimde ele alır. Bu eğitim, temel tensor işlemlerinden başlayarak, sinir ağı mimarilerinin oluşturulması, model eğitimi, hata geri yayılımı, optimizasyon, transfer öğrenme ve model dağıtımına kadar geniş bir yelpazede uygulamalı bilgi ve beceriler kazandırmayı hedefler.

Nedir?

PyTorch, açık kaynaklı, dinamik hesaplama grafiğine sahip ve esnek bir derin öğrenme kütüphanesidir. Eğitimde, PyTorch’ın temel yapı taşları olan tensorlar, otomatik türev hesaplamaları (autograd), sinir ağı katmanları ve modüler yapı üzerine detaylı bilgi verilecek; ayrıca, CNN, RNN ve diğer klasik mimarilerle pratik örnekler üzerinden model geliştirme süreçleri ele alınacaktır.

Kimler içindir?

Bu eğitim, aşağıdaki bireyler için uygundur:

  • Yapay zeka ve makine öğrenmesi ile ilgilenenler,

  • Veri bilimciler ve mühendisler,

  • Yazılım geliştiriciler, derin öğrenme algoritmalarını projelerine entegre etmek isteyenler,

  • Akademisyenler ve araştırmacılar, derin öğrenme tekniklerini çalışmalarında kullanmak isteyenler,

  • Üniversite öğrencileri, derin öğrenme alanında kariyer yapmak isteyenler,

  • Sağlık, finans, otomotiv ve perakende gibi sektörlerde çalışan profesyoneller, derin öğrenmenin iş süreçlerine nasıl entegre edileceğini öğrenmek isteyenler.

Neden Pytorch ile Derin Öğrenme Eğitimi ?

Derin öğrenme, günümüzün en heyecan verici ve talep gören teknolojilerinden biri olup, iş dünyasında ve akademik çevrelerde büyük bir etkiye sahiptir. Python ile derin öğrenme eğitimi almak, aşağıdaki avantajları sağlar:

  • Yüksek Performans: Derin öğrenme modelleri, karmaşık problemlerde insan benzeri kararlar alabilmektedir.

  • Geniş Kullanım Alanı: Görüntü işleme, doğal dil işleme (NLP), robotik ve öneri sistemleri gibi birçok alanda kullanılmaktadır.

  • Güçlü Kütüphaneler: TensorFlow, Keras, PyTorch gibi güçlü derin öğrenme kütüphaneleri sayesinde hızlı prototipleme ve model geliştirme imkanı sunar.

  • Büyük Veri Analizi: Derin öğrenme, büyük ve yapılandırılmamış verilerle etkili bir şekilde çalışabilir.

  • Endüstri Talebi: Şirketler, otonom sistemlerden müşteri hizmetlerine kadar geniş bir yelpazede derin öğrenme uzmanlarına ihtiyaç duymaktadır.

Konular

Derin Öğrenme ve PyTorch’e Giriş

Derin Öğrenmenin Arka Planı

  • Perceptron → Backpropagation → AlexNet

  • Transformer & Diffusion çağları

Klasik ML ↔ Derin Öğrenme

  • El yapımı özellik ⇄ öğrenilen özellik

  • Veri ölçeği / hesaplama gereksinimi

  • Lineer ayrılabilirlik / derin temsil gücü

PyTorch Ekosistemi

  • TorchScript · torch-data · torch-metrics

  • torch.compile (PyTorch 2.x Dynamo)

Topluluk & Sürüm Yaşam Döngüsü

  • RFC süreçleri, LTS paketleri

  • pip vs conda dağıtım farkları

Matematiksel Temeller

  • Lineer cebir : eigen, SVD

  • Kalkülüs : zincir kuralı, Jacobian / Hessian

  • Olasılık & bilgi kuramı : KL divergence, çapraz entropi

Tensor Pratiği

  • Broadcasting kuralları

  • Einstein summation → torch.einsum
PyTorch Derin Temelleri

Tensor Yaşam Döngüsü

  • pin_memory, paylaşılan bellek

  • CPU ↔ GPU kopyalama & sabitleme

Autograd Derinleşmesi

  • GradFn zinciri, torch.autograd.profiler

  • Gradient checkpointing, yarı-doğrusal hesap

Dinamik Hesap Grafiği

  • Eager Mode · TorchScript · TorchDynamo

Kayıp Fonksiyonları & Metrikler

  • Focal Loss · Dice Loss · InfoNCE

  • AUROC, Cohen’s κ, top-k accuracy

Optimizatör Ailesi

  • AdamW

  • RAdam

  • Lion

  • SAM

  • LAMB
Veri Ekosistemi & Ön İşleme

torch-data & DataPipes

  • Akış verisi, WebDataset, tar-shard yapıları

Görüntü, Metin & Ses Pipelineları

  • Albumentations · Kornia augmentasyonları

  • torchtext + SentencePiece tokenizasyonu

  • torchaudio : MelSpectrogram, gürültü ekleme

Büyük Veri & Dağıtık Okuma

  • NVIDIA DALI, Petastorm

  • Parquet ↔ Arrow, async prefetch
Eğitim Döngüsü & Temel Ağlar

nn.Module Anatomisi

  • Parametre vs buffer kaydı

  • Modüler katman tasarımı

Eğitim Döngüsü

  • Batch / epoch mantığı

  • Label smoothing

    • Mixup

    • CutMix

Araç Setleri

  • PyTorch Lightning, HF accelerate

  • Callbacks : early stop, gradient clip
Konvolüsyonel Ağlar & Görüntü İşleme

Modern CNN Blokları

  • Inception · ResNet · DenseNet · EfficientNet-V2

Detection & Segmentation

  • YOLOv8 · DETR · Mask R-CNN · SAM

Self-Supervised Öğrenme

  • SimCLR · BYOL · DINOv2 · MAE

Vision Transformer & Hibritler

  • ViT, Swin, conv-former tasarımları

Uygulamalı Lab

  • Endüstriyel defo tespiti

  • Denetimli vs kendinden denetimli kıyas
Sıralı Modeller & Attention

RNN Ailesi

  • LSTM · GRU · Bi-RNN

  • Vanishing / exploding gradient çözümleri

Attention Mekanizmaları

  • Bahdanau · Luong

  • Additive vs dot-product · Multi-head

Seq2Seq & Zaman Serisi

  • Teacher forcing · Scheduled sampling

  • Temporal Fusion Transformer

Speech Recognition Hattı

  • CTC Loss · Wav2Vec 2.0

Uygulamalı Lab

  • Türkçe haber özetleme : BiLSTM-Attention vs mBART
Transformer & Büyük Dil Modelleri

Temel Yapı Taşları

  • Flash Attention-2 · SwiGLU · Rotary PE

  • Uzun-kontekst yöntemleri

Parameter-Efficient Tuning

  • LoRA · p-LoRA · Q-LoRA

  • Prefix / Prompt Tuning

Dağıtık Eğitim

  • DDP · FSDP · ZeRO-3

  • DeepSpeed · Megatron-LM

LLM İyileştirme Stratejileri

  • RLHF · DPO · RAG-Fusion

  • Toolformer & Function-Calling

Çok-Dilli / Kültüre Özel LLM

  • Llama-3-Instruct Türkçe fine-tune
Generatif Modeller (GAN · VAE · Diffusion)

GAN Ailesi

  • CGAN · WGAN-GP · StyleGAN-3

VAE Varyantları

  • β-VAE · VQ-VAE-2

Diffusion Modelleri

  • DDPM · Latent Diffusion · Control-Net

Uygulamalı Atölye

  • PyTorch + diffusers ile metinden görüntü üretimi
Graph Neural Networks

Temeller & Ekosistem

  • Graph veri yapıları, PyG · DGL

Çekirdek GNN Modelleri

  • GCN · GraphSAGE · GAT · Graph Transformer

Uygulamalı Lab

  • Sosyal ağ link tahmini

  • Tedarik zinciri risk grafı analizi
Hiperparametre Tuning & AutoML

Arama Çerçeveleri

  • Optuna · Ray Tune · Hyperband · PBT

Neural Architecture Search

  • DARTS · ProxylessNAS

Uygulamalı Atölye

  • Sweep ve WandB görselleştirme
Model Sıkıştırma, Hızlandırma & Dağıtım

Sıkıştırma & Hızlandırma

  • Quantization : PTQ · QAT · GPTQ · AWQ

  • Pruning · Distillation

Derleyiciler & Çalışma Zamanı

  • Torch-TensorRT · ONNX · TVM · vLLM

Edge & Mobil Dağıtım

  • TorchLite · CoreML · WebGPU

Mikro-Servis Mimarisi

  • FastAPI · BentoML · KServe
MLOps, İzleme & Sürekli Teslim

CI/CD Boru Hatları

  • GitHub Actions · GitLab CI · Jenkins

İzleme & Drift

  • Evidently · WhyLabs · Arize

İzlenebilirlik & Profiling

  • OpenTelemetry · PyTorch Profiler

Güvenlik & Yönetişim

  • Vault · SBOM · Cosign imza politikaları

Bizimle iletişime geçin