Deep Learning for Vision Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), metinden görüntüye oluşturma konusunda derin öğrenme alanındaki bilgilerini ve becerilerini genişletmek isteyen orta ve ileri seviyedeki veri bilimcileri, makine öğrenimi mühendisleri, derin öğrenme araştırmacıları ve bilgisayar görüşü uzmanlarına yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Metinden görüntüye oluşturma için gelişmiş derin öğrenme mimarilerini ve tekniklerini anlayabilecektir.
• Yüksek kaliteli görüntü sentezi için karmaşık modelleri ve optimizasyonları uygulayabilecektir.
• Büyük veri kümeleri ve karmaşık modeller için performansı ve ölçeklenebilirliği optimize edebilecektir.
• Daha iyi model performansı ve genelleme için hiperparametreleri ayarlayabilecektir.
• Stable Diffusion'ü diğer derin öğrenme çerçeveleri ve araçlarıyla entegre edebilecektir.

Bu kurs, Automotive Sektöründe Yapay Zeka'yı (vurgu Machine Learning ve Deep Learning) kapsamaktadır. Otomobillerde çeşitli durumlarda hangi teknolojinin (potansiyel olarak) kullanılabileceğini belirlemeye yardımcı olur: basit otomasyondan, görüntü tanımaya ve otonom karar almaya kadar.

Bu kurs, yöneticiler, çözüm mimarları, inovasyon yöneticileri, CTO'lar, yazılım mimarları ve uygulamalı yapay zeka ile gelişiminin en yakın öngörüsü hakkında genel bir bakışla ilgilenen herkes için oluşturulmuştur.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), olasılık, istatistik, programlama ve makine öğrenimi alanlarında temel kavramları öğrenmek ve bunları yapay zeka geliştirmeye uygulamak isteyen yeni başlayan seviyedeki katılımcılara yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Olasılık ve istatistik alanındaki temel kavramları anlayacak ve bunları gerçek dünya senaryolarına uygulayabilecektir.
• Prosedürel, fonksiyonel ve nesne yönelimli programlama kodlarını yazabilecek ve anlayabilecektir.
• Sınıflandırma, kümeleme ve sinir ağları gibi makine öğrenimi tekniklerini uygulayabilecektir.
• Kural motorları ve uzman sistemleri kullanarak problem çözümü için yapay zeka çözümleri geliştirebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde), AlphaFold'ın nasıl çalıştığını anlamak ve deneysel çalışmalarında AlphaFold modellerini rehber olarak kullanmak isteyen biyologlara yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• AlphaFold'ın temel prensiplerini anlayabilecektir.
• AlphaFold'ın nasıl çalıştığını öğrenebilecektir.
• AlphaFold tahminlerini ve sonuçlarını nasıl yorumlayacağını öğrenebilecektir.

Yapay Sinir Ağı, "akıllı" görevler gerçekleştirebilen Artificial Intelligence (AI) sistemlerin geliştirilmesinde kullanılan hesaplamalı bir veri modelidir. Neural Networks, kendileri de Yapay Zekanın (AI) bir uygulaması olan Machine Learning (Makine Öğrenimi - ML) uygulamalarında yaygın olarak kullanılır. Deep Learning, Makine Öğreniminin bir alt kümesidir.

Caffe, ifade, hız ve modülerlik göz önünde bulundurularak oluşturulmuş derin öğrenme çerçevesidir.

Bu kurs, Caffe'ün görüntü tanıma için derin öğrenme çerçevesi olarak MNIST örneği kullanılarak uygulanmasını araştırmaktadır.

Hedef Kitle

Bu kurs, Caffe'ü bir çerçeve olarak kullanmakla ilgilenen Deep Learning araştırmacıları ve mühendisler için uygundur.

Bu kursu tamamladıktan sonra katılımcılar şunları yapabilecektir:

• Caffe'ün yapısını ve dağıtım mekanizmalarını anlayabilecektir
• Kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecektir
• Kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecektir
• Modelleri eğitme, katmanları uygulama ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecektir

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Chainer kullanarak Python içinde sinir ağları oluşturmak ve eğitmek isteyen araştırmacılara ve geliştiricilere yöneliktir; böylece kodun hata ayıklanması kolaylaşır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sinir ağı modelleri geliştirmeye başlamak için gerekli geliştirme ortamını kurmak.
• Anlaşılır kaynak kodu kullanarak sinir ağı modellerini tanımlamak ve uygulamak.
• Yüksek performans için GPUlerden yararlanarak derin öğrenme eğitim modellerini optimize etmek için örnekleri yürütmek ve mevcut algoritmaları değiştirmek.

Computer Network ToolKit (CNTK), konuşma, metin ve görüntüler için Açık Kaynaklı, Çoklu Makine, Çoklu-GPU, Yüksek Verimli RNN eğitimine yönelik Microsoft'in makine öğrenimi çerçevesidir.

Hedef Kitle

Bu kurs, projelerinde CNTK'i kullanmayı amaçlayan mühendisler ve mimarlar için hazırlanmıştır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Edge AI uygulamaları için TensorFlow Lite'u kullanmak isteyen orta seviyedeki geliştiriciler, veri bilimciler ve yapay zeka uygulayıcılarına yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TensorFlow Lite'un temellerini ve Edge AI içindeki rolünü anlayabilecektir.
• TensorFlow Lite kullanarak yapay zeka modelleri geliştirebilecek ve optimize edebilecektir.
• TensorFlow Lite modellerini çeşitli uç cihazlara dağıtabilecektir.
• Model dönüştürme ve optimizasyonu için araçları ve teknikleri kullanabilecektir.
• TensorFlow Lite kullanarak pratik Edge AI uygulamaları uygulayabilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek zamanlı makine öğrenimi uygulamalarını hızlandırmak ve bunları ölçekte dağıtmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• OpenVINO araç setini kurmak.
• Bir FPGA kullanarak bir bilgisayarlı görü uygulaması hızlandırmak.
• Farklı CNN katmanlarını FPGA üzerinde çalıştırmak.
• Kubernetes kümesindeki birden fazla düğümde uygulamayı ölçeklendirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), dağıtılmış derin öğrenme eğitimlerini çalıştırmak ve bunları birden çok GPU üzerinde paralel olarak ölçeklendirmek isteyen geliştiriciler veya veri bilimcileri hedeflenmektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Derin öğrenme eğitimlerini çalıştırmaya başlamak için gerekli geliştirme ortamını kurmak.
• Horovod'i TensorFlow, Keras, PyTorch ve Apache MXNet ile modeller eğitmek için kurmak ve yapılandırmak.
• Horovod ile derin öğrenme eğitimini birden çok GPU üzerinde ölçeklendirmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), görüntü tanıma uygulamalarına derin öğrenme modeli uygulamak isteyen teknik personele yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Keras'ü kurmak ve yapılandırmak.
• Derin öğrenme modellerini hızlı bir şekilde prototiplemek.
• Evrişimli bir ağ uygulamak.
• Tekrarlayan bir ağ uygulamak.
• Derin öğrenme modelini hem CPU üzerinde hem de GPU üzerinde çalıştırmak.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), çeşitli kullanım durumları için yüksek kaliteli görüntüler oluşturmak amacıyla Stable Diffusion'yi kullanmak isteyen veri bilimcileri, makine öğrenimi mühendislerini ve bilgisayar görüşü araştırmacılarını hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Stable Diffusion'nin prensiplerini ve görüntü oluşturma için nasıl çalıştığını anlayabilecektir.
• Görüntü oluşturma görevleri için Stable Diffusion modelleri oluşturup eğitebilecektir.
• Stable Diffusion'yi, görüntü tamamlama, dışa aktarma ve görüntüden görüntüye çevirme gibi çeşitli görüntü oluşturma senaryolarına uygulayabilecektir.
• Stable Diffusion modellerinin performansını ve kararlılığını optimize edebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), çok küçük gömülü cihazlarda makine öğrenimi modelleri yazmak, yüklemek ve çalıştırmak isteyen mühendiflere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TensorFlow Lite'i kurmak.
• Konuşmayı algılamak, görüntüleri sınıflandırmak vb. için bir makine öğrenimi modelini gömülü bir cihaza yüklemek.
• Ağ bağlantısına bağlı kalmadan donanım cihazlarına yapay zeka eklemek.