Eğitimin Amacı ve Kapsamı
Birçok kurumsal üretim hattı, mobil/gömülü uygulama ve Google Cloud (Vertex AI, TFX) altyapısı standart olarak TensorFlow ve Keras ekosistemi üzerinde çalışır. Bu eğitim; Keras 3 Functional ve Model Subclassing API'leri ile esnek ağ tasarımını, tf.data ve TFRecord ile darboğazsız veri besleme hatlarını, tf.GradientTape ve @tf.function ile derlenmiş özel eğitim adımlarını ve Keras Preprocessing katmanlarıyla eğitim-servis tutarlılığını ele alır.
Çoklu GPU/TPU için tf.distribute stratejileri, TensorBoard profil analizi ve eğitilen modelin SavedModel, TensorFlow Serving ve LiteRT (TFLite) formatlarına dışa aktarımı uygulamalı işlenir. Katılımcılar kurum verisine uyarlanmış, ön işlemeyi model grafiği içinde barındıran üretime hazır bir TensorFlow paketi oluşturur.
Kimler Katılmalı?
- TensorFlow/Keras tabanlı kurumsal sistemler geliştiren veri bilimciler ve ML mühendisleri
- Vertex AI, TF Serving veya mobil/edge (TFLite) hedeflerine model dağıtan ekipler
- Mevcut Keras modellerini özelleştirmek ve hızlandırmak isteyen geliştiriciler
- Ön koşul: Python ve temel makine öğrenmesi bilgisi
Kazanımlar
- Keras Functional ve Subclassing API ile çok girdili, çok çıktılı ve özel katmanlı modeller kurmak
- tf.data prefetch, interleave ve vektörize haritalama ile yüksek verimli veri hattı oluşturmak
- tf.GradientTape ve @tf.function kullanarak graf modunda hızlı özel eğitim döngüleri yazmak
- Ön işleme katmanlarını modele gömerek training-serving skew sorununu ortadan kaldırmak
- Modeli SavedModel olarak paketleyip TF Serving ve LiteRT (TFLite) hedeflerine hazırlamak
Konular
TensorFlow 2, Eager/Graph Yürütme ve Keras 3
- tf.Tensor, tf.Variable ve @tf.function ile AutoGraph derlemesi
- Sequential, Functional API ve Model/Layer Subclassing
tf.data ve Ön İşleme Katmanları
- TFRecord, paralel okuma, cache ve prefetch optimizasyonu
- Normalization, StringLookup, TextVectorization ile graf içi ön işleme
Özel Eğitim Döngüleri ve Callback Mimarisi
- tf.GradientTape, özel loss, metrik ve train_step geçersiz kılma
- KerasTuner ile hiperparametre araması ve TensorBoard izleme
Dağıtık Eğitim ve Performans
- MirroredStrategy ve MultiWorkerMirroredStrategy ile ölçekleme
- Mixed precision politikaları ve XLA derleyici hızlandırması
SavedModel, TF Serving ve TFLite Dağıtımı
- İmza (signature) tanımlama ve SavedModel dışa aktarımı
- REST/gRPC ile TF Serving ve LiteRT (TFLite) niceleme önizlemesi
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
