Google ai kursu

Ders 1 • Temel Yapay Zeka Alt Alanlarına Genel Bakış

Makine öğrenmesi, doğal dil işleme, bilgisayarlı görü ve robotiği ayrı disiplinler olarak haritalandırır. Öğrencilerin hangi Google araçlarının hangi alt alana ait olduğunu bulmasına yardımcı olur.

Ders 2 • Makineler Verilerden Nasıl Öğrenir

Denetimli, denetimsiz ve pekiştirmeli öğrenme paradigmalarını açıklar. Öğrenme türlerini pratik Google yapay zeka ürün kategorilerine bağlar.

Ders 3 • Yapay Zekanın Ne Olduğu ve Ne Olmadığı

Yaygın yanlış anlamaları giderir ve yapay zekanın kesin tanımlarını oluşturur. Sonraki tüm teknik içerik için kavramsal temeli oluşturur.

Ders 4 • Yapay Zekanın Tarihi ve Evrimi

Yapay zekanın sembolik mantıktan modern derin öğrenmeye uzanan yolculuğunu izler. Mevcut Google yapay zeka araçlarının neden bu şekilde tasarlandığına dair bağlam sağlar.

Ders 1 • Bulut Yapay Zekası ve Makine Öğrenmesi Platformu

Vertex AI'yi birleşik makine öğrenmesi platformu ve temel hizmetleri olarak tanıtır. Bulut altyapısını pratik model eğitimi ve dağıtım iş akışlarına bağlar.

Ders 2 • Geliştiriciler için Hazır Yapay Zeka API'leri

Görü, Konuşma, Çeviri ve Doğal Dil API'lerini kullanıma hazır hizmetler olarak kapsar. Hazır API'lerin özel eğitim gerektirmeden geliştirmeyi nasıl hızlandırdığını gösterir.

Ders 3 • Google Workspace ve Tüketici Ürünlerinde Yapay Zeka

Dokümanlar, E-Tablolar, Gmail ve Arama'daki Gemini entegrasyonlarını inceler. Gömülü yapay zekanın teknik olmayan kullanıcılar için günlük üretkenliği nasıl artırdığını gösterir.

Ders 4 • Üretken Yapay Zeka Ürünleri ve API'leri

Geliştiricilere sunulan Gemini modellerini, Imagen'i ve ilgili üretken yapay zeka API'lerini inceler. Her ürünü daha geniş Google yapay zeka ekosistemi içinde konumlandırır.

Ders 1 • Veri Toplama ve Alma

API'leri, web kazımayı, akış ve toplu işleme hatlarını kapsar. Veri toplama yöntemlerini Google Cloud Storage ve BigQuery'ye bağlar.

Ders 2 • Veri Kümesi Bölme ve Sürümleme

Eğitim, doğrulama ve test bölmeleri ile veri kümesi sürüm kontrolü uygulamalarını öğretir. Veri sızıntısını önler ve tekrarlanabilir deneyler sağlar.

Ders 3 • Veri Etiketleme ve Açıklama

Vertex AI Veri Etiketleme kullanarak manuel, yarı otomatik ve otomatik etiketleme stratejilerini açıklar. Kaliteli etiketler, denetimli öğrenme performansının temelidir.

Ders 4 • Veri Türleri ve Kaynakları

Yapılandırılmış, yapılandırılmamış ve yarı yapılandırılmış veriler ile bunların yapay zeka kullanım durumlarını ayırt eder. Tüm modelleme çalışmalarının ön koşulu olarak veri okuryazarlığını oluşturur.

Ders 1 • Model Değerlendirme ve Seçimi

Vertex AI'dan karmaşıklık matrislerini, ROC eğrilerini ve özellik önem çıktılarını yorumlar. Bir modeli dağıtma, yeniden eğitme veya atma kararına rehberlik eder.

Ders 2 • Tablo ve Görüntü Verileri için AutoML

AutoML kullanarak tablo, görüntü, metin ve video veri kümelerinde kod gerektirmeyen modeller eğitir. Makine öğrenmesi uzmanı olmayanların üretim kalitesinde modeller üretebileceğini gösterir.

Ders 3 • Vertex AI'da Özel Model Eğitimi

Vertex AI Eğitimi kullanarak özel TensorFlow ve PyTorch eğitim işlerini çalıştırır. İş yapılandırması, donanım seçimi ve dağıtık eğitim temellerini kapsar.

Ders 4 • Vertex AI Workbench ve Not Defterleri

Keşifsel veri analizi ve model prototipleme için yönetilen not defterleri kurar. Tüm eğitim alıştırmalarında kullanılan uygulamalı ortamı sağlar.

Ders 1 • Makine Öğrenmesi Hatları için Sürekli Entegrasyon/Sürekli Dağıtım

Vertex AI Hatları ve Cloud Build kullanarak model yeniden eğitimini ve yeniden dağıtımını otomatikleştirir. Yazılım mühendisliği en iyi uygulamalarını makine öğrenmesi yaşam döngüsüne uygular.

Ders 2 • Toplu Tahmin Hatları

Vertex AI Toplu Tahmin kullanarak büyük ölçekli çevrimdışı çıkarım işleri çalıştırır. Gecikme süresine duyarlı olmayan iş yükleri için maliyet ve verimi optimize eder.

Ders 3 • Model İzleme ve Kayma Tespiti

Özellik ve tahmin kaymasını tespit etmek için Vertex AI Model İzleme'yi yapılandırır. Gerçek dünya veri dağılımları değiştikçe dağıtılan modellerin doğruluğunu korumasını sağlar.

Ders 4 • Çevrimiçi Tahmin Uç Noktaları

Düşük gecikme süreli gerçek zamanlı çıkarım için modelleri Vertex AI uç noktalarına dağıtır. Trafik bölme, ölçeklendirme politikaları ve uç nokta durum kontrollerini kapsar.

Ders 1 • Yanlılık Azaltma Stratejileri

Ön işleme, işlem içi ve son işleme yanlılık giderme tekniklerini uygular. Model kullanışlılığını korurken ayrımcı sonuçları azaltır.

Ders 2 • Açıklanabilirlik ve Şeffaflık

Model kararlarını yorumlamak için Vertex Explainable AI ve SHAP değerlerini kullanır. Paydaş güveni oluşturur ve şeffaflık gereksinimlerini karşılar.

Ders 3 • Yapay Zeka Yanlılığı: Kaynaklar ve Türler

Veri kümelerinde ve modellerde tarihsel, temsil, ölçüm ve toplama yanlılığını tanımlar. Herhangi bir dağıtım kararından önce yanlılık tespitinin neden gerekli olduğunu ortaya koyar.

Ders 4 • Adalet Ölçütleri ve Değerlendirme

Model çıktılarına demografik eşitlik, eşitlenmiş olasılıklar ve bireysel adalet ölçütlerini uygular. Adalet ölçümünü iş ve yasal hesap verebilirliğe bağlar.

Ders 1 • Getirmeyle Güçlendirilmiş Üretim

Vektör arama ve RAG hatlarını kullanarak LLM yanıtlarını harici bilgi tabanlarına dayandırır. Halüsinasyonları azaltır ve yanıtların güncel kalmasını sağlar.

Ders 2 • Büyük Dil Modelleri Nasıl Çalışır

Dönüştürücü mimarisini, belirteçlemeyi ve sonraki belirteç tahminini kavramsal düzeyde açıklar. LLM davranışını kullanmak ve hata ayıklamak için gereken zihinsel modeli sağlar.

Ders 3 • İstem Mühendisliği Teknikleri

Sıfır atışlı, az atışlı, düşünce zinciri ve rol yönlendirme stratejilerini öğretir. Herhangi bir model ince ayarı gerektirmeden çıktı kalitesini doğrudan artırır.

Ders 4 • Gemini API Entegrasyonu

Uygun kimlik doğrulama ile REST ve SDK çağrıları aracılığıyla uygulamaları Gemini modellerine bağlar. Metin, görüntü ve ses dahil çok modlu girdileri kapsar.

Ders 1 • Yapay Zekanın İş Etkisini Ölçme

Yapay zeka odaklı özellikler için KPI'ları, ROI çerçevelerini ve A/B test protokollerini tanımlar. Model performansı ile iş kazanımları arasındaki bağlantıyı kurar.

Ders 2 • Çok Modlu ve Etmen Tabanlı Yapay Zeka Sistemleri

Karmaşık görevler için metin, görüntü, ses ve araç kullanan etmenleri birleştiren sistemler tasarlar. Uygulamalı yapay zeka ürün geliştirmenin sınırını temsil eder.

Ders 3 • Yapay Zeka İş Yükleri için Maliyet Optimizasyonu

Yapay zeka altyapı harcamalarını azaltmak için spot örnekler, model niceleme ve önbelleğe alma uygular. Yapay zeka projelerinin kurumsal ölçekte finansal olarak sürdürülebilir kalmasını sağlar.

Ders 4 • Makine Öğrenmesi Operasyonları Olgunluğu ve Mimarisi

Kurumsal MLOps olgunluk seviyelerini değerlendirir ve hedef durum mimarileri tasarlar. Deneysel modeller ile güvenilir üretim sistemleri arasındaki boşluğu kapatır.