Online Yapay Zeka Eğitimi

Ders 1 • Yapay Zeka Etiği ve Sorumlu Tasarım

Önyargı, adalet, şeffaflık ve hesap verebilirlik ilkelerini tanıtır. Etik muhakemeyi, kurs boyunca tartışılmaz bir tasarım kısıtı olarak konumlandırır.

Ders 2 • Bilgi Temsili Temelleri

Önerme ve birinci derece mantığı ile anlamsal ağları açıklayarak sembolik temsillerin olguları ve ilişkileri nasıl kodladığını gösterir. Sembolik ve sinirsel yöntemleri birleştiren entegrasyonu gösterir.

Ders 3 • Akıllı Ajanlar ve Ortamlar

Rasyonel ajanları, PEAS çerçevesini ve ortam türlerini tanımlar. Öğrenciler, belirli görev ortamlarına uygun ajan mimarileri tasarlayabilir.

Ders 4 • Yapay Zeka Tarihi ve Evrimi

Sembolik mantıktan derin öğrenmeye yapay zeka tarihini izleyerek önemli atılımları vurgular. Modern tekniklerin neden ortaya çıktığını ve nerede başarılı olduklarını anlamak için bağlam sağlar.

Ders 1 • Denetimli Öğrenme Temelleri

Etiketlenmiş veriyi, kayıp fonksiyonlarını ve gradyan tabanlı optimizasyonu kapsar. Daha sonraki yapay sinir ağlarını ve gelişmiş modelleri anlamak için omurgayı oluşturur.

Ders 2 • Sınıflandırma Algoritmalarının Derinlemesine İncelenmesi

Lojistik regresyon, karar ağaçları, DVM'ler ve k-en yakın komşuyu inceler. Öğrencilerin her sınıflandırıcıyı kıyaslama veri kümeleri üzerinde uygulayıp karşılaştırabilmesi için eğitim hatlarını, hiperparametreleri ve değerlendirmeyi kapsar.

Ders 3 • Regresyon ve Tahmin Modelleri

İstatistiksel yorumlama ile doğrusal ve polinomiyal regresyon modelleri oluşturur. Tahmin doğruluğunu iş ve bilimsel karar alma süreçlerine bağlar.

Ders 4 • Denetimsiz Öğrenme Yöntemleri

Kümeleme, boyut indirgeme ve yoğunluk tahminini araştırır. Öğrenciler, keşifsel analiz için etiketlenmemiş verilerdeki gizli yapıyı keşfeder.

Ders 1 • Geri Yayılım ve Optimizasyon

Zincir kuralı aracılığıyla geri yayılımı türetir ve Adam, RMSProp ile SGD'yi kapsar. Öğrenciler, kaybolan gradyanlarda hata ayıklar ve optimize edicileri etkili bir şekilde ayarlar.

Ders 2 • Yinelemeli Ağlar ve Dizi Modelleri

Sıralı verileri modellemek için yinelemeli sinir ağlarını, LSTM ve GRU birimlerini inceler. Açma işlemini, zaman içinde geri yayılımı ve pratik hususları kapsayarak bu teknikleri Doğal Dil İşleme ve zaman serisi tahminiyle ilişkilendirir.

Ders 3 • Düzenlileştirme ve Pratik Eğitim

Gerçek ağlara dropout, erken durdurma ve karma duyarlıklı eğitim uygular. Öğrenciler, aşırı öğrenmeyi azaltır ve GPU donanımındaki eğitim süresini kısaltır.

Ders 4 • Evrişimli Sinir Ağları

Görüntü görevleri için evrişim, havuzlama ve özellik haritası yorumlamayı kapsar. Öğrenciler, Evrişimli Sinir Ağları oluşturur ve özel veri kümelerine transfer öğrenmesi uygular.

Ders 1 • Kelime Gömmeleri ve Anlamsal Uzay

Word2Vec, GloVe ve FastText gömme vektörlerini eğitir ve uygulayarak yoğun vektörlerin anlamsal benzerliği nasıl yakaladığını gösterir. Gömme uzaylarını keşfetmek için değerlendirme teknikleri ve görselleştirmeler içerir.

Ders 2 • Dönüştürücü Mimarisi Derinlemesine İnceleme

Çok başlı öz-dikkat, konumsal kodlama ve kodlayıcı-kod çözücü yığınlarını ayrıştırır. Büyük dil modellerini ince ayarlamak için gerekli mimari anlayışı sağlar.

Ders 3 • Ön Eğitimli Modeller ve İnce Ayar

BERT, RoBERTa ve GPT varyantlarını alana özgü görevlerde ince ayar yapar. Öğrenciler, sınırlı etiketli veriyle son teknoloji Doğal Dil İşleme sonuçlarına ulaşır.

Ders 4 • Doğal Dil İşleme Uygulamaları ve Hatları

Duygu analizi, Varlık İsmi Tanıma ve özetleme için uçtan uca hatlar oluşturur. Ön işleme, modelleme ve dağıtımı üretime hazır sistemlere entegre eder.

Ders 1 • Görü Dönüştürücüleri ve Modern Mimariler

Görüntü sınıflandırma ve sıfır atışlı tanıma için Görü Dönüştürücüleri, CLIP ve DINO'yu uygular. Yama gömme, öz-dikkat ve zıtlaştırmalı öğrenmeyi açıklayarak Doğal Dil İşleme dönüştürücü kavramlarını modern görü sistemleriyle ilişkilendirir.

Ders 2 • Görüntüler için Üretken Modeller

Gerçekçi görüntüler sentezlemek ve stil aktarımı yapmak için Çekişmeli Üretici Ağlar ve varyasyonel otokodlayıcılar oluşturur. Gizli uzay manipülasyonunu, eğitim kararlılığı püf noktalarını ve üretim kalitesi ile çeşitliliğini değerlendirme metriklerini araştırır.

Ders 3 • Nesne Algılama Mimarileri

Gerçek zamanlı ve doğru tespit için YOLO, Faster R-CNN ve SSD'yi karşılaştırır. Öğrenciler, sınırlayıcı kutu ek açıklamalarıyla özel veri kümeleri üzerinde algılayıcılar eğitir.

Ders 4 • Anlamsal ve Örnek Bölütleme

Piksel düzeyinde bölütleme için U-Net ve Mask R-CNN'yi uygulayarak kodlayıcı-kod çözücü tasarımlarını ve maske üretim hatlarını detaylandırır. Bu teknikleri tıbbi görüntüleme, otonom sürüş ve robotik gibi alanlarla ilişkilendirir.

Ders 1 • Modelsiz Değer Tabanlı Yöntemler

Jimnastik ortamlarında Q-öğrenme, SARSA ve Derin Q-Ağlarını uygular. Öğrenciler, zamansal fark öğrenmesini ve deneyim tekrarını anlar.

Ders 2 • Markov Karar Süreçleri

Durumları, eylemleri, ödülleri ve geçiş dinamiklerini matematiksel olarak biçimselleştirir. Tüm pekiştirmeli öğrenme algoritmaları için teorik temel sağlar.

Ders 3 • Çok Ajanlı ve Hiyerarşik Pekiştirmeli Öğrenme

Pekiştirmeli öğrenmeyi işbirlikçi ve rekabetçi çok ajanlı ortamlara ve beceri hiyerarşilerine genişletir. Öğrencileri gerçek dünya karmaşık sistem kontrolüne hazırlar.

Ders 4 • Gelişmiş Pekiştirmeli Öğrenme: PPO ve SAC

Karmaşık görevlerde Proksimal Politika Optimizasyonu ve Yumuşak Aktör-Eleştirmen uygular. Öğrenciler, sürekli kontrol kıyaslamalarında kararlı eğitim elde eder.

Ders 1 • İnce Ayar ve Hizalama

Büyük Dil Modellerini insan niyetiyle hizalamak için denetimli ince ayar, İGHT ve doğrudan tercih optimizasyonu uygular. Öğrenciler, güvenlik kısıtlamalarına uyarken talimatları izleyen alana özgü modeller oluşturur.

Ders 2 • İstem Mühendisliği ve Bağlam İçi Öğrenme

Sıfır atışlı, az atışlı, düşünce zinciri ve yapılandırılmış istem tekniklerini uygular. Etkili istem, herhangi bir parametre güncellemesi olmadan model yeteneğini çoğaltır.

Ders 3 • Büyük Dil Modeli Mimarisi ve Ölçekleme Yasaları

Chinchilla ölçekleme yasalarının yanı sıra GPT, LLaMA ve Mistral mimarilerini analiz eder. Öğrenciler, hesaplama ve veri bütçelerinden model yeteneğini tahmin eder.

Ders 4 • Büyük Dil Modeli Ajanları ve Araç Kullanımı

ReAct, fonksiyon çağırma ve çok ajanlı çerçeveler kullanarak otonom ajanlar oluşturur. Öğrenciler, plan yapan, araç kullanan ve çok adımlı görevleri tamamlayan ajanlar dağıtır.

Ders 1 • İzleme ve Model Bakımı

Üretimde kayma tespiti, uyarı ve yeniden eğitim tetikleyicilerini uygular. Zamanla iş değerini aşındıran sessiz model bozulmasını önler.

Ders 2 • Deney Takibi ve Tekrarlanabilirlik

Deneyleri sistematik olarak kaydetmek için MLflow, Weights & Biases ve DVC kullanır. Tekrarlanabilirlik, ekip işbirliğini ve mevzuata uygunluğu sağlar.

Ders 3 • Model Sunma ve Dağıtım

Modelleri REST API'leri, toplu hatlar ve uç çalışma zamanları aracılığıyla dağıtır. Öğrencilere Docker konteynerleştirme, model serileştirme ve performans ile güvenilirlik için ölçeklenebilir sunma stratejileri konusunda rehberlik eder.

Ders 4 • Ölçeklenebilir Eğitim Altyapısı

Horovod ve bulut GPU kümeleriyle dağıtık eğitimi yapılandırır. Öğrenciler, paralellik stratejileri aracılığıyla büyük modeller için eğitim süresini azaltır.