{"course":{"updated_at":"2025-08-28T10:55:28.104217+00:00","title":{"tr":"PyTorch ile Derin Öğrenme"},"duration_hours":42,"available_as_corporate":true,"cover_image_url":"https://lively-leaf-6126.fly.storage.tigris.dev/245d286f-9c62-48b7-b820-3aa123a3a383.png","order":7,"deleted_at":null,"duration_days":null,"video_conference_link":null,"hidden":false,"category_id":10,"short_title":{"tr":null},"level":null,"bogazici_link":null,"cover_image_x":50,"suggested_next_course_id":null,"id":21,"slug":{"tr":"pytorch-ile-derin-ogrenme"},"schedule_info":null,"available_as_personal":true,"cover_image_y":50,"summary":{"tr":null},"bogazici_collab":false,"is_workshop":false,"corporate_cover_image_url":null,"lesson_count":0,"sidebar_copy":{"tr":null},"price_try":null,"has_lessons":false,"corporate_cover_image_x":50,"created_at":"2025-06-03T11:32:46.509200+00:00","description":{"tr":[{"type":"text","title":"Genel Tanım","content":"<p>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.</p>"},{"type":"text","title":"Nedir?","content":"<p>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.</p>"},{"type":"text","title":"Kimler içindir?","content":"<p>Bu eğitim, aşağıdaki bireyler için uygundur:</p><ul class=\"tight\" data-tight=\"true\"><li><p>Yapay zeka ve makine öğrenmesi ile ilgilenenler,</p></li><li><p>Veri bilimciler ve mühendisler,</p></li><li><p>Yazılım geliştiriciler, derin öğrenme algoritmalarını projelerine entegre etmek isteyenler,</p></li><li><p>Akademisyenler ve araştırmacılar, derin öğrenme tekniklerini çalışmalarında kullanmak isteyenler,</p></li><li><p>Üniversite öğrencileri, derin öğrenme alanında kariyer yapmak isteyenler,</p></li><li><p>Sağlık, finans, otomotiv ve perakende gibi sektörlerde çalışan profesyoneller, derin öğrenmenin iş süreçlerine nasıl entegre edileceğini öğrenmek isteyenler.</p></li></ul><p></p>"},{"type":"text","title":"Neden Pytorch ile Derin Öğrenme Eğitimi ? ","content":"<p>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:</p><ul class=\"tight\" data-tight=\"true\"><li><p><strong>Yüksek Performans:</strong> Derin öğrenme modelleri, karmaşık problemlerde insan benzeri kararlar alabilmektedir.</p></li><li><p><strong>Geniş Kullanım Alanı:</strong> Görüntü işleme, doğal dil işleme (NLP), robotik ve öneri sistemleri gibi birçok alanda kullanılmaktadır.</p></li><li><p><strong>Güçlü Kütüphaneler:</strong> TensorFlow, Keras, PyTorch gibi güçlü derin öğrenme kütüphaneleri sayesinde hızlı prototipleme ve model geliştirme imkanı sunar.</p></li><li><p><strong>Büyük Veri Analizi:</strong> Derin öğrenme, büyük ve yapılandırılmamış verilerle etkili bir şekilde çalışabilir.</p></li><li><p><strong>Endüstri Talebi:</strong> Şirketler, otonom sistemlerden müşteri hizmetlerine kadar geniş bir yelpazede derin öğrenme uzmanlarına ihtiyaç duymaktadır.</p></li></ul><p></p>"}]},"discount_try_percentage":null,"show_price":false,"corporate_cover_image_y":50,"sections":{"tr":[{"title":"Derin Öğrenme ve PyTorch’e Giriş","summary":"<h2>Derin Öğrenmenin Arka Planı</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Perceptron → Backpropagation → AlexNet</p></li><li><p>Transformer &amp; Diffusion çağları</p></li></ul><h2>Klasik ML ↔ Derin Öğrenme</h2><ul class=\"tight\" data-tight=\"true\"><li><p>El yapımı özellik ⇄ öğrenilen özellik</p></li><li><p>Veri ölçeği / hesaplama gereksinimi</p></li><li><p>Lineer ayrılabilirlik / derin temsil gücü</p></li></ul><h2>PyTorch Ekosistemi</h2><ul class=\"tight\" data-tight=\"true\"><li><p>TorchScript · <strong>torch-data</strong> · <strong>torch-metrics</strong></p></li><li><p><code>torch.compile</code> (PyTorch 2.x Dynamo)</p></li></ul><h2>Topluluk &amp; Sürüm Yaşam Döngüsü</h2><ul class=\"tight\" data-tight=\"true\"><li><p>RFC süreçleri, LTS paketleri</p></li><li><p><code>pip</code> vs <code>conda</code> dağıtım farkları</p></li></ul><h2>Matematiksel Temeller</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Lineer cebir : eigen, SVD</p></li><li><p>Kalkülüs : zincir kuralı, Jacobian / Hessian</p></li><li><p>Olasılık &amp; bilgi kuramı : KL divergence, çapraz entropi</p></li></ul><h2>Tensor Pratiği</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Broadcasting kuralları</p></li><li><p>Einstein summation → <code>torch.einsum</code></p></li></ul><p></p>"},{"title":"PyTorch Derin Temelleri","summary":"<h2>Tensor Yaşam Döngüsü</h2><ul class=\"tight\" data-tight=\"true\"><li><p><code>pin_memory</code>, paylaşılan bellek</p></li><li><p>CPU ↔ GPU kopyalama &amp; sabitleme</p></li></ul><h2>Autograd Derinleşmesi</h2><ul class=\"tight\" data-tight=\"true\"><li><p><code>GradFn</code> zinciri, <code>torch.autograd.profiler</code></p></li><li><p>Gradient checkpointing, yarı-doğrusal hesap</p></li></ul><h2>Dinamik Hesap Grafiği</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Eager Mode · TorchScript · TorchDynamo</p></li></ul><h2>Kayıp Fonksiyonları &amp; Metrikler</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Focal Loss · Dice Loss · InfoNCE</p></li><li><p>AUROC, Cohen’s κ, top-k accuracy</p></li></ul><h2>Optimizatör Ailesi</h2><ul class=\"tight\" data-tight=\"true\"><li><p>AdamW </p></li><li><p>RAdam</p></li><li><p>Lion </p></li><li><p>SAM </p></li><li><p>LAMB</p></li></ul><p></p>"},{"title":"Veri Ekosistemi & Ön İşleme","summary":"<h2><code>torch-data</code> &amp; DataPipes</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Akış verisi, WebDataset, tar-shard yapıları</p></li></ul><h2>Görüntü, Metin &amp; Ses Pipelineları</h2><ul class=\"tight\" data-tight=\"true\"><li><p><strong>Albumentations</strong> · <strong>Kornia</strong> augmentasyonları</p></li><li><p><code>torchtext</code> + SentencePiece tokenizasyonu</p></li><li><p><code>torchaudio</code> : MelSpectrogram, gürültü ekleme</p></li></ul><h2>Büyük Veri &amp; Dağıtık Okuma</h2><ul class=\"tight\" data-tight=\"true\"><li><p>NVIDIA DALI, Petastorm</p></li><li><p>Parquet ↔ Arrow, async prefetch</p></li></ul><p></p>"},{"title":"Eğitim Döngüsü & Temel Ağlar","summary":"<h2><code>nn.Module</code> Anatomisi</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Parametre vs buffer kaydı</p></li><li><p>Modüler katman tasarımı</p></li></ul><h2>Eğitim Döngüsü</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Batch / epoch mantığı</p></li><li><p>Label smoothing </p><ul class=\"tight\" data-tight=\"true\"><li><p>Mixup </p></li><li><p>CutMix</p></li></ul></li></ul><h2>Araç Setleri</h2><ul class=\"tight\" data-tight=\"true\"><li><p><strong>PyTorch Lightning</strong>, <strong>HF accelerate</strong></p></li><li><p>Callbacks : early stop, gradient clip</p></li></ul><hr><p></p>"},{"title":"Konvolüsyonel Ağlar & Görüntü İşleme","summary":"<h2>Modern CNN Blokları</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Inception · ResNet · DenseNet · EfficientNet-V2</p></li></ul><h2>Detection &amp; Segmentation</h2><ul class=\"tight\" data-tight=\"true\"><li><p>YOLOv8 · DETR · Mask R-CNN · SAM</p></li></ul><h2>Self-Supervised Öğrenme</h2><ul class=\"tight\" data-tight=\"true\"><li><p>SimCLR · BYOL · DINOv2 · MAE</p></li></ul><h2>Vision Transformer &amp; Hibritler</h2><ul class=\"tight\" data-tight=\"true\"><li><p>ViT, Swin, conv-former tasarımları</p></li></ul><h2>Uygulamalı Lab</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Endüstriyel defo tespiti</p></li><li><p>Denetimli vs kendinden denetimli kıyas</p></li></ul><hr><p></p>"},{"title":"Sıralı Modeller & Attention","summary":"<h2>RNN Ailesi</h2><ul class=\"tight\" data-tight=\"true\"><li><p>LSTM · GRU · Bi-RNN</p></li><li><p>Vanishing / exploding gradient çözümleri</p></li></ul><h2>Attention Mekanizmaları</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Bahdanau · Luong</p></li><li><p>Additive vs dot-product · Multi-head</p></li></ul><h2>Seq2Seq &amp; Zaman Serisi</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Teacher forcing · Scheduled sampling</p></li><li><p>Temporal Fusion Transformer</p></li></ul><h2>Speech Recognition Hattı</h2><ul class=\"tight\" data-tight=\"true\"><li><p>CTC Loss · Wav2Vec 2.0</p></li></ul><h2>Uygulamalı Lab</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Türkçe haber özetleme : BiLSTM-Attention vs mBART</p></li></ul><hr><p></p>"},{"title":"Transformer & Büyük Dil Modelleri","summary":"<h2>Temel Yapı Taşları</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Flash Attention-2 · SwiGLU · Rotary PE</p></li><li><p>Uzun-kontekst yöntemleri</p></li></ul><h2>Parameter-Efficient Tuning</h2><ul class=\"tight\" data-tight=\"true\"><li><p>LoRA · p-LoRA · Q-LoRA</p></li><li><p>Prefix / Prompt Tuning</p></li></ul><h2>Dağıtık Eğitim</h2><ul class=\"tight\" data-tight=\"true\"><li><p>DDP · FSDP · ZeRO-3</p></li><li><p>DeepSpeed · Megatron-LM</p></li></ul><h2>LLM İyileştirme Stratejileri</h2><ul class=\"tight\" data-tight=\"true\"><li><p>RLHF · DPO · RAG-Fusion</p></li><li><p>Toolformer &amp; Function-Calling</p></li></ul><h2>Çok-Dilli / Kültüre Özel LLM</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Llama-3-Instruct Türkçe fine-tune</p></li></ul><hr><p></p>"},{"title":"Generatif Modeller (GAN · VAE · Diffusion)","summary":"<h2>GAN Ailesi</h2><ul class=\"tight\" data-tight=\"true\"><li><p>CGAN · WGAN-GP · StyleGAN-3</p></li></ul><h2>VAE Varyantları</h2><ul class=\"tight\" data-tight=\"true\"><li><p>β-VAE · VQ-VAE-2</p></li></ul><h2>Diffusion Modelleri</h2><ul class=\"tight\" data-tight=\"true\"><li><p>DDPM · Latent Diffusion · Control-Net</p></li></ul><h2>Uygulamalı Atölye</h2><ul class=\"tight\" data-tight=\"true\"><li><p>PyTorch + diffusers ile metinden görüntü üretimi</p></li></ul><hr><p></p>"},{"title":"Graph Neural Networks","summary":"<h2>Temeller &amp; Ekosistem</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Graph veri yapıları, PyG · DGL</p></li></ul><h2>Çekirdek GNN Modelleri</h2><ul class=\"tight\" data-tight=\"true\"><li><p>GCN · GraphSAGE · GAT · Graph Transformer</p></li></ul><h2>Uygulamalı Lab</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Sosyal ağ link tahmini</p></li><li><p>Tedarik zinciri risk grafı analizi</p></li></ul><hr><p></p>"},{"title":"Hiperparametre Tuning & AutoML","summary":"<h2>Arama Çerçeveleri</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Optuna · Ray Tune · Hyperband · PBT</p></li></ul><h2>Neural Architecture Search</h2><ul class=\"tight\" data-tight=\"true\"><li><p>DARTS · ProxylessNAS</p></li></ul><h2>Uygulamalı Atölye</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Sweep ve <strong>WandB</strong> görselleştirme</p></li></ul><hr><p></p>"},{"title":"Model Sıkıştırma, Hızlandırma & Dağıtım","summary":"<h2>Sıkıştırma &amp; Hızlandırma</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Quantization : PTQ · QAT · GPTQ · AWQ</p></li><li><p>Pruning · Distillation</p></li></ul><h2>Derleyiciler &amp; Çalışma Zamanı</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Torch-TensorRT · ONNX · TVM · vLLM</p></li></ul><h2>Edge &amp; Mobil Dağıtım</h2><ul class=\"tight\" data-tight=\"true\"><li><p>TorchLite · CoreML · WebGPU</p></li></ul><h2>Mikro-Servis Mimarisi</h2><ul class=\"tight\" data-tight=\"true\"><li><p>FastAPI · BentoML · KServe</p></li></ul><hr><p></p>"},{"title":"MLOps, İzleme & Sürekli Teslim","summary":"<h2>CI/CD Boru Hatları</h2><ul class=\"tight\" data-tight=\"true\"><li><p>GitHub Actions · GitLab CI · Jenkins</p></li></ul><h2>İzleme &amp; Drift</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Evidently · WhyLabs · Arize</p></li></ul><h2>İzlenebilirlik &amp; Profiling</h2><ul class=\"tight\" data-tight=\"true\"><li><p>OpenTelemetry · PyTorch Profiler</p></li></ul><h2>Güvenlik &amp; Yönetişim</h2><ul class=\"tight\" data-tight=\"true\"><li><p>Vault · SBOM · Cosign imza politikaları</p></li></ul><p></p>"}]},"published_at":"2025-08-28T07:55:14.967616+00:00","promotional_video_url":null,"units":[],"course_instructors":[{"course_id":21,"instructor_id":6,"is_active":true,"instructor":{"deleted_at":null,"slug":{"tr":"sukru-yusuf-kaya"},"bio":{"en":"<p>Şükrü Yusuf Kaya is an expert with over ten years of hands-on experience in artificial intelligence, machine learning, and advanced data engineering. With a strong academic background in computer engineering, statistics, and cybersecurity, he leads organizations in rapidly generating business value from data by ensuring the seamless transition of research outputs into production environments. He has designed end-to-end artificial intelligence architectures in critical sectors such as finance, telecommunications, defense, and manufacturing, delivering reliable, scalable, and regulation-compliant solutions under demanding operational constraints.</p><p>His projects in both public and private sectors span a wide range, including enterprise-scale RAG-based information access systems, real-time fraud detection platforms, production line video analytics, and performance optimization of distributed big data infrastructures. The MLOps framework he designed for internal teams reduced development costs by shortening the model lifecycle by 40%, while significantly improving transparency in model versioning and monitoring.</p><p>In addition to consulting, Kaya designs and delivers advanced technical training programs. He has mentored and trained hundreds of engineers through comprehensive curricula ranging from fine-tuning large language models to autonomous AI agent architectures, and from cloud-native high-performance computing clusters to production-grade deployment practices. His teaching approach, grounded in problem-driven explanations, live coding sessions, and industry-specific case studies,enables participants to directly apply acquired knowledge to real-world projects.</p><p>His research focuses on high-precision anomaly detection in dynamic systems by combining large language models with multi-source real-time video streams. His long-term objective is to develop explainable and cyber-secure AI systems capable of triggering autonomous interventions within seconds in closed-loop industrial environments.</p><p>📈 Enterprise AI Strategy Design &amp; ROI Optimization<br> 💾 Lakehouse &amp; Streaming Data Architectures<br> 🧠 Large Language Models (LLM) &amp; RAG Solutions<br> 🤖 AI Agents &amp; Autonomous Task Execution<br> 🛰️ Swarm AI for Autonomous Drone &amp; Robotics Systems<br> 📹 Nanosecond Video Analytics &amp; Edge AI<br> 🏭 Industrial IoT &amp; Digital Twin Systems<br> 🔒 Trustworthy &amp; Explainable AI<br> 👥 Privacy-Preserving &amp; Federated Learning<br> 💳 FinTech Fraud Detection &amp; AML Systems<br> 🗺️ Geospatial Big Data &amp; Dynamic Logistics<br>🔬 Multi-Modal Medical Diagnostic Systems<br> 🛡️ Adversarial Resilience &amp; AI Red-Teaming<br> 🗄️ MLOps – CI/CD, Feature Stores &amp; Model Monitoring<br> 📉 Time Series Analysis &amp; Anomaly Detection<br> 🧬 Synthetic Data Generation<br> ♻️ Energy AI &amp; Carbon Optimization<br> ⚛️ Quantum-Assisted Machine Learning<br> 💻 Multi-Node HPC &amp; Distributed GPU Training</p><p>For customized consulting, project development, and advanced training solutions, please contact us.</p>","tr":"Şükrü Yusuf Kaya, yapay zekâ, makine öğrenmesi ve ileri veri mühendisliği alanlarında on yılı aşkın saha deneyimine sahip bir uzmandır. Bilgisayar mühendisliği, istatistik ve siber güvenlik ekseninde şekillenen güçlü akademik arka planı sayesinde, araştırma çıktılarının üretim ortamlarına sorunsuz taşınmasını sağlayarak kurumların veriden hızla katma değer üretmesine öncülük eder. Finans, telekomünikasyon, savunma ve imalat gibi kritik sektörlerde uçtan uca yapay zekâ mimarileri tasarlamış; zorlu operasyonel kısıtları gözeterek güvenilir, ölçeklenebilir ve regülasyon-uyumlu çözümler hayata geçirmiştir.\n\nKamu ve özel sektörde yürüttüğü projeler, Kurumsal RAG tabanlı bilgi erişim sistemlerinden gerçek zamanlı dolandırıcılık tespitine, üretim hattı video analitiğinden dağıtık büyük veri platformlarının performans optimizasyonuna kadar geniş bir yelpazeyi kapsar. İç ekipler için tasarladığı MLOps çerçevesi, model yaşam döngüsünü %40 kısaltarak geliştirme maliyetlerini düşürmüş, aynı zamanda model sürümleme ve izleme süreçlerinin şeffaflığını artırmıştır.\n\nDanışmanlığın yanı sıra Kaya, üst düzey teknik eğitim programları da geliştirmekte ve yürütmektedir. Büyük dil modellerinin ince ayarından otonom AI ajan mimarisine, bulut-yerel yüksek performanslı hesaplama kümelerinden üretim ortamında devreye alıma kadar uzanan kapsamlı içeriklerle yüzlerce mühendise mentorluk ve sınıf içi eğitim vermiştir. Problem odaklı anlatım, canlı kodlama oturumları ve sektör-spesifik vaka analizleri üzerine inşa ettiği pedagojik yaklaşım, katılımcıların edinilen bilgiyi projelerine doğrudan aktarmalarını mümkün kılar.\n\nAraştırmalarını büyük dil modelleri ile çok-kaynaklı gerçek zamanlı video akışlarını birleştirerek, dinamik sistemlerde yüksek hassasiyetli anomali tespiti üzerine yoğunlaştırmaktadır. Nihai hedefi, kapalı çevrim üretim hatlarında saniyeler içinde otomatik müdahaleyi tetikleyebilen, açıklanabilir ve siber güvenli yapay zekâ çözümleri geliştirmektir.\n\n\n📈 Kurumsal AI Strateji Tasarımı &amp; Yatırım Getirisi (ROI) Optimizasyonu\n💾 Lakehouse &amp; Streaming Veri Mimarileri \n🧠 Büyük Dil Modelleri (LLM) ve RAG Çözümleri \n🤖 AI Ajanları &amp; Otonom Görev Yürütme \n🛰️ Swarm AI: Otonom Drone &amp; Robot Filolarında İş Birliği \n📹 Nano-Saniye Video Analitiği &amp; Edge-AI \n🏭 Endüstriyel IoT &amp; Dijital İkiz \n🔒 Güvenilir &amp; Açıklanabilir AI \n👥 Gizliliği Korumalı / Federated Learning \n💳 FinTech Dolandırıcılık &amp; AML Tespiti \n🗺️ Jeo-Uzamsal Büyük Veri &amp; Dinamik Lojistik \n🔬 Çok-Modelli Medikal Teşhis Sistemleri\n🛡️ Adversarial Dayanıklılık &amp; Red-Teaming \n🗄️ MLOps – CI/CD, Feature Store &amp; Model İzleme\n📉 Zaman Serisi &amp; Anomali Tespiti \n🧬 Sentetik Veri Üretimi \n♻️ Enerji AI &amp; Karbon Optimizasyonu \n⚛️ Kuantum Destekli Makine Öğrenmesi \n💻 Çok-Düğümlü HPC &amp; Dağıtık GPU Eğitimleri\n\nÖzel danışmanlık, proje ve eğitim çözümleri için iletişime geçebilirsiniz."},"profile_image_url":"https://lively-leaf-6126.fly.storage.tigris.dev/9ca0018b-4a12-4ce8-9002-b0a39a5d9bbf.PNG","updated_at":"2026-01-21T09:42:39.506050+00:00","id":6,"created_at":"2025-05-28T06:59:05.900828+00:00","name":"Şükrü Yusuf Kaya","title":{"en":"Senior Artificial Intelligence Engineer · Consultant · Trainer","tr":"Kıdemli Yapay Zeka Mühendisi · Danışman · Eğitmen"},"bogazici":false,"order":2}}],"category":{"id":10,"updated_at":"2026-01-21T08:33:26.428997+00:00","deleted_at":null,"parent_id":null,"created_at":"2025-06-03T11:11:05.030755+00:00","name":{"en":"Deep Learning","tr":"Derin Öğrenme"},"order":4},"course_group":null,"instances":[],"future_instances":[]},"instance":null,"current_user":null,"corporate":true}