Deep Learning with TensorFlow 2 Eğitimi

Bu kurs, yapay zekayı ve uygulamalarını 4 günde tanıtan bir eğitimdir. Bu kursu tamamladıktan sonra, isteğe bağlı olarak bir yapay zeka projesi gerçekleştirmek için ek bir gününüz olabilir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), bilgisayarla görme anlayışlarını derinleştirmek ve Google Colab kullanarak gelişmiş görüş modelleri geliştirmek için TensorFlow'nın yeteneklerini keşfetmek isteyen ileri düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TensorFlow kullanarak evrişimli sinir ağları (CNN'ler) oluşturmak ve eğitmek.
• Google Colab'ı ölçeklenebilir ve verimli bulut tabanlı model geliştirme için kullanmak.
• Bilgisayarla görme görevleri için görüntü ön işleme tekniklerini uygulamak.
• Bilgisayarla görme modellerini gerçek dünya uygulamaları için dağıtmak.
• CNN modellerinin performansını artırmak için transfer öğrenimini kullanmak.
• Görüntü sınıflandırma modellerinin sonuçlarını görselleştirmek ve yorumlamak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), derin öğrenme tekniklerini anlamak ve uygulamak isteyen orta seviyedeki veri bilimcileri ve geliştiricilere yöneliktir; eğitimde Google Colab ortamı kullanılmaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Google Colab'ı derin öğrenme projeleri için kurmak ve kullanmak.
• Sinir ağlarının temellerini anlamak.
• TensorFlow kullanarak derin öğrenme modelleri uygulamak.
• Derin öğrenme modellerini eğitmek ve değerlendirmek.
• Derin öğrenme için TensorFlow'ün gelişmiş özelliklerini kullanmak.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Türkiye konumunda, bir dizi resmi işleyen ve açıklamalar üreten bir uygulama oluştururken NLP için Python kütüphanelerini kullanmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NLP için DL'yi Python kütüphanelerini kullanarak tasarlayıp kodlayabilme.
• Önemli miktarda resim koleksiyonunu okuyup anahtar kelimeler üreten Python kodu oluşturabilme.
• Algılanan anahtar kelimelerden açıklamalar üreten Python kodu oluşturabilme.

Hedef Kitle

Bu kurs, bilgisayar görüntülerini analiz etmek için mevcut araçları (çoğunlukla açık kaynaklı) kullanmakla ilgilenen Deep Learning araştırmacılar ve mühendisler için uygundur.

Bu kurs, çalışan örnekler sunmaktadır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), potansiyel sahtekarlık verilerini analiz etmek için TensorFlow'yi kullanmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Python ve TensorFlow’de bir sahtekarlık tespit modeli oluşturmak.
• Sahtekarlığı tahmin etmek için doğrusal regresyonlar ve doğrusal regresyon modelleri oluşturmak.
• Sahtekarlık verilerini analiz etmek için uçtan uca bir yapay zeka uygulaması geliştirmek.

Bu eğitmen liderliğindeki, canlı eğitimde (Türkiye – çevrimiçi veya yerinde), katılımcılar, makine öğrenimi modellerini üretim ortamında dağıtmak ve yönetmek için TensorFlow Serving'i nasıl yapılandıracaklarını ve kullanacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli TensorFlow modellerini eğitecek, dışa aktaracak ve yayınlayacaklar.
• Tek bir mimari ve API seti kullanarak algoritmaları test edecek ve dağıtacaklar.
• TensorFlow modellerinin ötesindeki diğer model türlerini yayınlamak için TensorFlow Serving'i genişletecekler.

TensorFlow, Google'nin Deep Learning için geliştirdiği açık kaynaklı yazılım kütüphanesinin 2. Nesil API'sidir. Sistem, makine öğrenimi araştırmalarını kolaylaştırmak ve araştırma prototipinden üretim sistemine geçişi hızlı ve kolay hale getirmek için tasarlanmıştır.

Hedef Kitle

Bu kurs, TensorFlow'yı Deep Learning projelerinde kullanmak isteyen mühendisler için hazırlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• TensorFlow'nın yapısını ve dağıtım mekanizmalarını anlayacaklar
• kurulum, üretim ortamı ve mimari görevlerini ve yapılandırmasını gerçekleştirebilecekler
• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler
• model eğitimi, grafik oluşturma ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler

Bu kurs, Tensor Flow'un görüntü tanıma amaçları için uygulanmasını, belirli örneklerle birlikte incelemektedir.

Hedef Kitle

Bu kurs, TensorFlow'yı görüntü tanıma amaçları için kullanmak isteyen mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar şunları yapabilecektir:

• TensorFlow'nın yapısını ve dağıtım mekanizmalarını anlayabilecektir.
• Kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecektir.
• Kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecektir.
• Modelleri eğitme, grafikler oluşturma ve günlük kaydı gibi gelişmiş üretim uygulamalarını gerçekleştirebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), tek bir ML modelini eğitmekten, birçok ML modelini üretime sunmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• TFX ve destekleyici üçüncü taraf araçlarını kurmak ve yapılandırmak.
• TFX'i kullanarak eksiksiz bir ML üretim hattı oluşturmak ve yönetmek.
• Modelleme, eğitim, çıkarım sunumu ve dağıtım yönetimi gerçekleştirmek için TFX bileşenleriyle çalışmak.
• Makine öğrenimi özelliklerini web uygulamalarına, mobil uygulamalara, IoT cihazlarına ve daha fazlasına dağıtmak.

Bu eğitmen liderliğindeki, canlı eğitimde Türkiye'da, katılımcılar, kendi yapay zeka uygulamalarının performansını en üst düzeye çıkarmak için TPU işlemcilerindeki yeniliklerden nasıl yararlanacaklarını öğreneceklerdir.

Eğitimin sonunda katılımcılar şunları yapabilecektir:

• Büyük miktarda veride çeşitli türde sinir ağlarını eğitebilirler.
• TPU'ları kullanarak çıkarım sürecini iki kat hızlandırabilirler.
• Görüntü araması, bulut görüşü ve fotoğraflar gibi yoğun uygulamaları işlemek için TPU'ları kullanabilirler.

TensorFlow™, sayısal hesaplama için veri akışı grafikleri kullanan açık kaynaklı bir yazılım kütüphanesidir.

SyntaxNet, TensorFlow için sinir ağı tabanlı Doğal Dil İşleme (NLP) çerçevesidir.

Word2Vec, kelimelerin vektör temsillerini öğrenmek için kullanılır; bu temsiller "kelime gömme" olarak adlandırılır. Word2vec, ham metinden kelime gömmeleri öğrenmek için özellikle hesaplama açısından verimli bir tahmini modeldir. Mikolov ve diğerlerinin 3.1 ve 3.2. bölümlerinde açıklanan Sürekli Torba-Wordler modeli (CBoW) ve Atla-Gram modeli olmak üzere iki çeşidi bulunur.

Birlikte kullanıldığında, SyntaxNet ve Word2Vec, kullanıcıların Doğal Dil girdisinden Öğrenilmiş Gömme modelleri oluşturmasına olanak tanır.

Hedef Kitle

Bu kurs, SyntaxNet ve Word2Vec modellerini TensorFlow grafiklerinde kullanmak isteyen geliştiriciler ve mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• TensorFlow'in yapısını ve dağıtım mekanizmalarını anlayacaklar
• kurulum / üretim ortamı / mimari görevlerini ve yapılandırmayı gerçekleştirebilecekler
• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler
• modeller eğitmek, terimleri gömmek, grafikler oluşturmak ve günlük kaydı oluşturmak gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler

Bu kurs, sinir ağları ve genel olarak makine öğrenimi algoritmaları, derin öğrenme (algoritmalar ve uygulamalar) konusunda kavramsal bilgi vererek başlar.

Bu eğitimin %40'lık ilk bölümü temellere daha çok odaklanacak, ancak doğru teknolojiyi seçmenize yardımcı olacaktır: TensorFlow, Caffe, Theano, DeepDrive, Keras vb.

Bu eğitimin %20'lik ikinci bölümü, derin öğrenme modellerini yazmayı kolaylaştıran bir python kütüphanesi olan Theano'yu tanıtacaktır.

Bu eğitimin %40'lık üçüncü bölümü, Deep Learning için açık kaynaklı yazılım kütüphanesi olan Google'nin 2. Nesil API'si olan Tensorflow'a yoğun bir şekilde dayanacaktır. Örnekler ve uygulamalı çalışmaların tamamı TensorFlow içinde yapılacaktır.

Hedef Kitle

Bu kurs, Deep Learning projelerinde TensorFlow kullanmak isteyen mühendisler için tasarlanmıştır.

Bu kursu tamamladıktan sonra katılımcılar:

• derin sinir ağları (DNN), CNN ve RNN konusunda iyi bir anlayışa sahip olacaklar

• TensorFlow'ün yapısını ve dağıtım mekanizmalarını anlayacaklar

• kurulum / üretim ortamı / mimari görevlerini ve yapılandırmasını gerçekleştirebilecekler

• kod kalitesini değerlendirebilecek, hata ayıklama ve izleme yapabilecekler

• modeller eğitmek, grafikler oluşturmak ve günlük kaydı tutmak gibi gelişmiş üretim uygulamalarını gerçekleştirebilecekler