Yapay Zeka Mühendisliği Kursu

Ders 1 • Yapay Zeka Geliştirme için Python

NumPy, Pandas ve Matplotlib kullanarak yapay zeka iş akışlarına odaklanmış Python yeterliliği sağlar. Sonraki tüm bölümler için gerekli kodlama temelini oluşturur.

Ders 2 • Yapay Zeka için Veri Temelleri

Model performansını yönlendiren veri türlerini, yapılarını ve kalite gereksinimlerini açıklar. Mühendisleri, modellemeye başlamadan önce veri kümelerini değerlendirmeye hazırlar.

Ders 3 • Yapay Zeka Ortamı ve Temel Terminoloji

Yapay zeka, makine öğrenmesi ve derin öğrenmeyi kesin ayrımlarla tanımlar. Kurs boyunca kullanılan ortak bir kelime dağarcığı oluşturur.

Ders 1 • Topluluk ve Güçlendirme Yöntemleri

Geliştirilmiş tahmin gücü için torbalama, rastgele ormanlar, gradyan güçlendirme ve XGBoost'u açıklar. Topluluk avantajlarını göstermek için tek algoritma bilgisi üzerine inşa eder.

Ders 2 • Denetimsiz Öğrenme Teknikleri

Etiketlenmemiş veriler için kümeleme, boyut indirgeme ve anomali tespitini öğretir. Mühendisin araç setini denetimli paradigmaların ötesine genişletir.

Ders 3 • Özellik Mühendisliği ve Seçimi

Kodlama, ölçekleme, etkileşim özellikleri ve model doğruluğunu doğrudan artıran seçim yöntemlerini kapsar. Ham veri hazırlığını algoritma girdi gereksinimlerine bağlar.

Ders 4 • Model Değerlendirme ve Seçimi

Titiz model değerlendirmesi için metrikleri, çapraz doğrulamayı ve yanlılık-varyans ödünleşimini tanımlar. Mühendislerin model seçimlerini nicel kanıtlarla gerekçelendirebilmelerini sağlar.

Ders 1 • Tekrarlayan ve Dizi Modelleri

Sıralı ve zaman serisi veri modellemesi için RNN'leri, LSTM'leri ve GRU'ları açıklar. Mühendisleri, dönüştürücü mimarileri tanıtılmadan önce zamansal desenlere hazırlar.

Ders 2 • Sinir Ağı Temelleri

Algoritmik olarak algılayıcıları, aktivasyon fonksiyonlarını, ileri yayılımı ve geri yayılımı açıklar. Derin öğrenmeyi daha önce oluşturulan makine öğrenmesi temellerine dayandırır.

Ders 3 • Evrişimli Sinir Ağları

Görüntü ve uzamsal veri görevleri için CNN mimarisini, havuzlamayı ve transfer öğrenmeyi öğretir. Sinir ağı bilgisini bilgisayarlı görü uygulamalarına genişletir.

Ders 4 • Derin Ağları Etkili Bir Şekilde Eğitme

Kararlı eğitim için optimize edicileri, öğrenme oranı çizelgelerini, düzenlileştirmeyi ve toplu normalizasyonu kapsar. Mühendislerin pratikte karşılaştığı yaygın başarısızlık modlarını ele alır.

Ders 1 • Büyük Dil Modeli Mühendisliği

Üretim kullanımı için büyük dil modeli API'lerini, komut mühendisliğini, bağlam pencerelerini ve çıktı ayrıştırmasını kapsar. Mühendisleri, büyük dil modellerini gerçek uygulamalara güvenilir bir şekilde entegre etmeye hazırlar.

Ders 2 • Klasik Doğal Dil İşleme Teknikleri

Doğal dil işleme yapı taşları olarak tokenleştirme, kök bulma, TF-IDF ve kelime gömme işlemlerini kapsar. Dönüştürücü tabanlı yöntemler tanıtılmadan önce temel oluşturur.

Ders 3 • Dönüştürücü Mimarisi Derinlemesine İnceleme

Öz dikkat, çok başlı dikkat, konumsal kodlama ve kodlayıcı-kod çözücü tasarımını açıklar. Modern büyük dil modelleriyle çalışmak için gereken mimari anlayışı sağlar.

Ders 4 • Alım Artırılmış Oluşturma Sistemleri

Bilgiye dayalı yanıtlar için vektör aramasını büyük dil modeli oluşturma ile birleştiren alım artırılmış oluşturma hatları oluşturur. Büyük dil modeli kullanımını kurumsal belge ve bilgi tabanı senaryolarına genişletir.

Ders 1 • Yapay Zeka Sistemi Tasarım İlkeleri

Yapay zeka iş yüklerine özgü tasarım desenlerini, ödünleşim analizini ve sistem düşüncesini tanıtır. Mimari kararları üretim ortamlarının kısıtlamaları içinde çerçeveler.

Ders 2 • Yapay Zeka için Ölçeklenebilirlik ve Altyapı

Ölçekteki yapay zeka iş yükleri için konteynerleştirme, orkestrasyon ve bulut altyapı desenlerini kapsar. Mühendisleri talebe göre büyüyen sistemler dağıtmaya hazırlar.

Ders 3 • Veri Hatları ve Özellik Depoları

Tutarlı özellik dağıtımı için ETL tasarımı, akış alımı ve özellik deposu mimarisini kapsar. Eğitim ve sunum özelliklerinin senkronize kalmasını sağlar.

Ders 4 • Güvenilirlik ve Gözlemlenebilirlik için Tasarım

Yapay zeka hizmet dayanıklılığı için devre kesiciler, geri dönüş stratejileri, günlükleme ve uyarı vermeyi öğretir. Mühendislerin üretimde sistem sağlığını koruyabilmesini sağlar.

Ders 1 • Makine Öğrenmesi için Sürekli Entegrasyon/Sürekli Dağıtım

Sürekli entegrasyon ve sürekli dağıtım uygulamalarını makine öğrenmesi kodu, verisi ve model yapıtlarına uygular. Yazılım mühendisliği disiplinini makine öğrenmesi geliştirme iş akışlarıyla köprüler.

Ders 2 • Model İzleme ve Sürüklenme Tespiti

Model bozulmasını tespit etmek için veri sürüklenmesi, kavram sürüklenmesi ve performans izlemeyi uygular. Model arızaları kullanıcıları etkilemeden önce proaktif bakım sağlar.

Ders 3 • Makine Öğrenmesi Hatları ve İş Akışı Orkestrasyonu

Eğitim, doğrulama ve dağıtım için orkestrasyon araçlarını kullanarak otomatik makine öğrenmesi hatları tasarlar. Manuel müdahaleyi azaltır ve yineleme döngülerini hızlandırır.

Ders 4 • Deney Takibi ve Tekrarlanabilirlik

Tekrarlanabilir makine öğrenmesi için deney günlükleme, yapıt sürüm oluşturma ve ortam yönetimini kapsar. Disiplinli model geliştirme için temel oluşturur.

Ders 1 • Sorumlu Yapay Zeka Yönetişim Çerçeveleri

Sorumlu yapay zeka ilkelerini, etki değerlendirmelerini ve politika uyumunu mühendislik kararlarına uygular. Teknik kontrolleri kurumsal hesap verebilirlik yapılarına bağlar.

Ders 2 • Yapay Zekada Önyargı, Adalet ve Eşitlik

Algoritmik önyargı kaynaklarını belirler ve orantısız etkiyi tespit etmek ve azaltmak için adalet metrikleri uygular. Etik muhakemeyi ölçülebilir mühendislik eylemlerine dayandırır.

Ders 3 • Yapay Zeka Güvenliği ve Risk Yönetimi

Yapay zeka sistemleri için tehdit modelleme, düşmanca sağlamlık ve başarısızlık modu analizini öğretir. Mühendisleri zararlı yapay zeka davranışlarını öngörmeye ve azaltmaya hazırlar.

Ders 4 • Mahremiyet Koruyucu Yapay Zeka Teknikleri

Mahremiyet güvenli yapay zeka için diferansiyel mahremiyet, birleşik öğrenme ve veri anonimleştirmeyi kapsar. Model kullanışlılığından ödün vermeden veri koruma gereksinimlerini ele alır.

Ders 1 • Proje İncelemesi ve Sunumu

Uçtan uca sistemi mimari diyagramlar, sonuçlar ve çıkarılan derslerle sunar. Yapay zeka projelerini teknik kitlelere sunmak için gereken iletişim becerilerini geliştirir.

Ders 2 • Problemi Çerçeveleme ve Kapsam Belirleme

Bir iş problemini, başarı metrikleri ve kısıtlamalarla iyi tanımlanmış bir yapay zeka görevine dönüştürür. Önceki bölümlerden sistem tasarımı düşüncesini gerçek bir senaryoya uygular.

Ders 3 • Veri Toplama ve Hazırlama

Bitirme projesi veri kümesi için veri toplama, temizleme ve özellik mühendisliğini yürütür. Önceki bölümlerdeki tüm veri becerilerini entegre bir iş akışında uygular.

Ders 4 • Model Geliştirme ve Deney Yapma

İzlenen deneyleri yürütür, en iyi modeli seçer ve kararları gerekçeyle belgeler. MLOps uygulamalarını kullanarak disiplinli makine öğrenmesi geliştirmeyi sergiler.