Deep Learning Giriş Eğitimi

Bu eğitimde Deep Learning (Derin Öğrenme) temellerini görüp, sıfırdan kendi Neural Network (yapay sinir ağı) yapımızı kurmayı öğreneceğiz. Eğitim farklı veri tipleri ile çalışmaya alışmak için pratik uygulamalı örnekler ile hazırlandığından, bu eğitimi tamamladıktan sonra katılımcılar sadece teorik olarak sağlam bir altyapıya sahip olmakla kalmayıp, pratik olarak da gerçek hayatta öğrendiklerini uygulayabilecek seviyede olacaklar. 

Bu eğitimi katılacakların Python dilinde kodlamaya aşina olmaları beklenir.

Eğitim, temel matematik ve algoritma bilgisine sahip olmanın yanı sıra Python kodlama diline aşina olan tüm katılımcılara uygundur.

• Derin Öğrenme (Deep Learning) temelleri,
• Yapay Sinir Ağları ve çalışma şekilleri hakkında genel bilgi, gerçek hayatta nasıl kullanıldıklarına dair pratik uygulamalı çalışmalar,
• Python programlama diliyle derin öğrenme modelleri tasarlama,
• Pytorch Tensors ve daha ileri seviye Pytorch fonksiyonları,
• Veri Bilimi Projelerinde dikkat edilmesi gerekenler,
• Baseline Model, Gradient, Sigmoid, Non-linearity, Regularization, Binary ve Multi-Class Classification, Loss Function...

PyTorch Temelleri

• Pytorch Tensors
• Broadcasting
• Reshaping
• Concatenation-Stacking
• Automatic Differentiation
• (Other more advanced Pytorch functionalities will be shown in the deep learning section as we create our own neural network)

Deep Learning Temelleri

• Bir veri bilimi projesine başlanınca nelere dikkat edilmeli ?
• Baseline Model
• Neden Gradient maksimum artış yönünü verir ?
• Neural Network temelleri - Herşey bir fonksiyon olarak düşünülebilir
• Harbiden neden kullanıyoruz biz bu Sigmoid'i ?
• Modele Non-linearity eklemek ve bu neden gereklidir ?
• Neden normalizasyon modeli eğitirken yardımcı olur ? - Inputları aynı mantık uzayına çekmek
• Regularization'ı anlamak
• Loss function tanımlanması
• Loss function vs Metric - Loss bilgisayar için, metrik bizim için
• Batch nedir, boyutu neden önemlidir ?
• 0'dan Binary Classification
• 0'dan Multi-class classification