Python ile Yapay Zeka Kursu

Ders 1 • Python Ortamınızı Kurma

Python'u yükleyin, sanal ortamları yapılandırın ve yapay zeka geliştirmeye uygun bir IDE seçin. Sonraki her bölümün bağlı olduğu teknik temeli oluşturur.

Ders 2 • Kontrol Akışı ve Döngüler

Tekrarlayan yapay zeka veri görevlerini otomatikleştirmek için koşullu ifadeler ve yineleme uygulayın. Kurs boyunca kullanılan toplu işleme kalıplarını doğrudan etkinleştirir.

Ders 3 • Hata Ayıklama ve Hata Yönetimi

Geri izlemeleri okuyun, bir hata ayıklayıcı kullanın ve çalışma zamanı hatalarını işlemek için try/except blokları yazın. Güvenilir hata yönetimi, yapay zeka iş akışlarında sessiz hataları önler.

Ders 4 • Temel Python Sözdizimi ve Veri Türleri

Yapay zeka ile ilgili örneklerle değişkenleri, operatörleri, dizeleri, sayıları ve boole değerlerini kapsar. İlerideki tüm veri işleme görevleri için kelime dağarcığını sağlar.

Ders 1 • Dizeler ve Metinlerle Çalışma

Ham metin verilerini temizlemek için dize yöntemlerini, biçimlendirmeyi ve düzenli ifadeleri uygulayın. Metin ön işleme, her NLP ve LLM hattında temel bir adımdır.

Ders 2 • Dosya G/Ç ve Veri Serileştirme

Yapay zeka verilerini kalıcı hale getirmek ve değiş tokuş etmek için metin, CSV ve JSON dosyalarını okuyun ve yazın. Python betiklerini sonraki bölümlerde kullanılan gerçek dünya veri kaynaklarına bağlar.

Ders 3 • Sözlükler ve Kümeler

Hızlı arama ve yinelemeden arındırma için anahtar-değer çiftlerini ve benzersiz koleksiyonları saklayın. Bu yapılar, NLP görevlerinde özellik haritalarının ve kelime dağarcığı tablolarının temelini oluşturur.

Ders 4 • Listeler ve Demetler Derinlemesine

Dilimleme, anlamalar ve yerleşik yöntemler kullanarak sıralı dizileri yönetin. Listeler, ham yapay zeka veri kümeleri ve model çıktıları için birincil kapsayıcıdır.

Ders 1 • NumPy ile Lineer Cebir

Matris çarpımı, ayrıştırma ve lineer sistemleri çözme işlemlerini gerçekleştirin. Bu işlemler, sinir ağlarının ve boyut indirgemenin matematiksel çekirdeğidir.

Ders 2 • İndeksleme, Dilimleme ve Yeniden Şekillendirme

Gelişmiş indeksleme tekniklerini kullanarak dizi verilerini seçin, filtreleyin ve yeniden şekillendirin. Verileri sinir ağı katmanlarına beslemeden önce yeniden şekillendirme gereklidir.

Ders 3 • İstatistiksel Agregasyonlar ve Rastgele Örnekleme

Yapay zeka deneyleri için tanımlayıcı istatistikler hesaplayın ve tekrarlanabilir rastgele örnekler oluşturun. Tekrarlanabilir örnekleme, adil model değerlendirmesi ve kıyaslamayı sağlar.

Ders 4 • Vektörleştirilmiş İşlemler ve Yayma

Yavaş Python döngülerinden kaçınmak için eleman bazında matematik ve yayma kuralları uygulayın. Vektörleştirme, tüm sayısal yapay zeka hesaplamalarının performans temelidir.

Ders 1 • Gruplama, Agregasyon ve Birleştirme

groupby ile verileri özetleyin ve merge ile join işlemlerini kullanarak veri kümelerini birleştirin. Bu beceriler, birden fazla ilişkisel veri kaynağından özellik mühendisliği yapmayı sağlar.

Ders 2 • Veri Temizleme ve Dönüşüm

Temiz veri kümeleri üretmek için eksik değerleri, yinelenenleri ve yanlış türleri işleyin. Temiz veri, eğitilen yapay zeka modellerinin kalitesini doğrudan belirler.

Ders 3 • Pandas ile Özellik Mühendisliği

Gruplama, kodlama ve özel fonksiyonlar uygulayarak yeni özellikler oluşturun. Mühendislikle oluşturulan özellikler genellikle model doğruluğu üzerinde en büyük etkiye sahiptir.

Ders 4 • Filtreleme, Sıralama ve Sorgulama

İlgili verileri ayırmak için boolean filtreleri, sorgu dizeleri ve sıralama işlemleri uygulayın. Eğitim ve doğrulama kümeleri oluşturmak için hassas alt kümeleme gereklidir.

Ders 1 • Matplotlib Temelleri

Matplotlib'in nesne yönelimli API'sini kullanarak çizgi, çubuk ve dağılım grafikleri oluşturun. Sağlam bir Matplotlib temeli, her üst düzey görselleştirme kütüphanesini destekler.

Ders 2 • Keşifsel Veri Analizi İş Akışları

Yeni bir veri kümesini sistematik olarak profillemek için Pandas ve görselleştirme araçlarını birleştirin. Yapılandırılmış KVA, model eğitimi ve değerlendirmesi sırasındaki sürprizleri azaltır.

Ders 3 • Model Performansını Görselleştirme

Yapay zeka modellerini değerlendirmek için karmaşıklık matrislerini, ROC eğrilerini ve öğrenme eğrilerini çizin. Performans görselleri, düşük öğrenme ve aşırı öğrenmeyi teşhis etmek için gereklidir.

Ders 1 • Denetimsiz Öğrenme ve Boyut İndirgeme

Keşifsel analiz için K-Means ile verileri kümeleyin ve PCA ile boyutları azaltın. Denetimsiz yöntemler, etiketlenmemiş yapay zeka veri kümelerindeki gizli yapıyı ortaya çıkarır.

Ders 2 • Scikit-Learn API'si ve İş Akışı

fit/predict/transform desenini anlayın ve tam bir ML hattı oluşturun. Birleşik API, modeller ve ön işleme adımları arasında sorunsuz geçiş yapmayı sağlar.

Ders 3 • Denetimli Öğrenme: Sınıflandırma

Etiketlenmiş veriler üzerinde lojistik regresyon, karar ağaçları ve topluluk sınıflandırıcıları eğitin. Sınıflandırma, iş ve araştırma uygulamalarında en yaygın yapay zeka görevidir.

Ders 4 • Denetimli Öğrenme: Regresyon

Lineer, polinom ve düzenlileştirilmiş regresyon modelleri kullanarak sürekli hedefleri tahmin edin. Regresyon, tahmin, fiyatlandırma ve talep kestirimi kullanım durumlarının temelini oluşturur.

Ders 1 • Eğitim Döngüleri ve Optimizasyon

Kayıp fonksiyonları, optimize ediciler ve öğrenme hızı çizelgeleri ile tam eğitim döngüleri uygulayın. İyi yapılandırılmış bir eğitim döngüsü, her derin öğrenme deneyinin çekirdeğidir.

Ders 2 • nn.Module ile Sinir Ağları Oluşturma

nn.Module, katmanlar ve aktivasyon fonksiyonlarını kullanarak özel ağ mimarileri tanımlayın. Modüler ağ tasarımı, farklı mimarilerle hızlı deney yapmayı sağlar.

Ders 3 • Görüntüler İçin Evrişimli Sinir Ağları

Görüntü görevleri için evrişimli, havuzlama ve tam bağlı katmanlarla CNN'ler oluşturun. CNN'ler, bilgisayarlı görü yapay zeka uygulamaları için baskın mimaridir.

Ders 4 • Tensörler ve Otomatik Türev Temelleri

PyTorch tensörlerini oluşturun ve yönetin ve otomatik türevi anlayın. Otomatik türev, tüm derin öğrenme modellerinde gradyan tabanlı öğrenmenin arkasındaki motordur.

Ders 1 • LLM API'leri ve İstem Mühendisliği

LLM API'lerini çağırın, istemleri yapılandırın ve aşağı akış görevleri için yanıtları ayrıştırın. Etkili istemleme, herhangi bir model eğitimi olmadan çıktı kalitesini önemli ölçüde artırır.

Ders 2 • Hugging Face Transformers Kütüphanesi

Çıkarım için Hugging Face Hub'dan önceden eğitilmiş modeller ve tokenleştiriciler yükleyin. Transformers kütüphanesi, binlerce kullanıma hazır yapay zeka modeline erişim sağlar.

Ders 3 • Alım-Arttırılmış Üretim

Yanıtları harici belgelere dayandırmak için vektör aramasını LLM üretimiyle birleştirin. RAG, halüsinasyonu azaltır ve LLM'lerin alana özgü soruları yanıtlamasını sağlar.

Ders 4 • Özel Verilerde LLM'lerin İnce Ayarı

Veri kümeleri hazırlayın ve modelleri yeni alanlara uyarlamak için parametre verimli ince ayar çalıştırın. İnce ayar, uzmanlaşmış görevler için yalnızca istemlemeden daha yüksek doğruluk sağlar.