Explainability in Deep Learning: Demystifying Black-Box Models Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), karmaşık yapay zeka modelleri için XAI teknikleri anlayışlarını geliştirmek isteyen ileri düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yapay zeka modellerinde son teknoloji XAI tekniklerini uygulayabilecektir.
• Derin öğrenme modellerini ve kararlarını yorumlayabilecektir.
• Gelişmiş modelden bağımsız ve modele özgü açıklanabilirlik yöntemlerini uygulayabilecektir.
• Karmaşık sistemlerdeki yapay zeka şeffaflığı ile ilgili zorlukların üstesinden gelebilecektir.

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.

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.

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 kurs, yapay zekayı ve Python programlama dili kullanılarak yapay zekanın uygulamalarını tanıtan 4 günlük bir eğitimdir. Bu kursun tamamlanmasının ardından bir yapay zeka projesi gerçekleştirmek için ek bir gün seçeneği bulunmaktadır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), profesyonel alanlarında verileri hazırlamak, modeller oluşturmak ve makine öğrenimi tekniklerini etkili bir şekilde uygulamak isteyen orta seviyedeki veri bilimcileri ve istatistikçilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli Machine Learning algoritmalarını anlayıp uygulayabilecekler.
• Verileri ve modelleri makine öğrenimi uygulamaları için hazırlayabilecekler.
• Sonradan analizler yapabilecek ve sonuçları etkili bir şekilde görselleştirebilecekler.
• Makine öğrenimi tekniklerini gerçek dünya, sektöre özgü senaryolara uygulayabilecekler.

Yapay Sinir Ağları, "akıllı" görevler gerçekleştirebilen Artificial Intelligence (AI) sistemlerin geliştirilmesinde kullanılan hesaplamalı bir veri modelidir. Neural Networks, genellikle Machine Learning (ML) uygulamalarında kullanılır ve bunlar da yapay zekanın (AI) bir uygulamasıdır. Deep Learning, ML'nin bir alt kümesidir.

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.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), örüntü tanıma ve makine öğrenimi alanına bir giriş sunar. İstatistik, bilgisayar bilimi, sinyal işleme, bilgisayar görüşü, veri madenciliği ve biyoinformatik alanlarındaki pratik uygulamalara değinir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Örüntü tanımaya temel istatistiksel yöntemleri uygulayabilecektir.
• Veri analizi için sinir ağları ve çekirdek yöntemleri gibi temel modelleri kullanabilecektir.
• Karmaşık problem çözme için gelişmiş teknikleri uygulayabilecektir.
• Farklı modelleri birleştirerek tahmin doğruluğunu artırabilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde) Deep Reinforcement Learning'nin temellerini öğrenmek isteyen geliştiriciler ve veri bilimcilerine yöneliktir; bir Deep Learning Aracısı oluşturma sürecinde adım adım ilerleyeceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Deep Reinforcement Learning'nin temel kavramlarını anlayabilecek ve onu Machine Learning'ten ayırt edebilecektir.
• Gerçek dünya problemlerini çözmek için gelişmiş Reinforcement Learning algoritmalarını uygulayabilecektir.
• Bir Deep Learning Aracısı oluşturabilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Yapay Zeka'nın Açıklanabilirliği'nin temellerini öğrenmek ve sorumlu Yapay Zeka sistemleri geliştirmedeki rolünü anlamak isteyen yeni başlayan seviyedeki profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Açıklanabilir Yapay Zeka'nın temel kavramlarını anlayabilecektir.
• Yapay Zeka modellerinde şeffaflığın ve yorumlanabilirliğin önemini keşfedebilecektir.
• Yapay Zeka modellerini açıklanabilir hale getirmek için temel teknikleri öğrenebilecektir.
• XAI tekniklerini basit makine öğrenimi modellerine uygulayabilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), adil, şeffaf ve etik yapay zeka sistemleri sağlamak için Açıklanabilir Yapay Zeka (XAI) tekniklerini uygulamak isteyen orta düzeydeki profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• XAI'nin etik yapay zeka sistemlerindeki rolünü anlayabilecektir.
• Yapay zeka modellerindeki önyargıyı tespit etmek ve azaltmak için XAI tekniklerini uygulayabilecektir.
• Yapay zeka model karar alma süreçlerinde şeffaflığı sağlayabilecektir.
• Yapay zeka geliştirmeyi etik ve düzenleyici standartlarla uyumlu hale getirebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek dünya uygulamalarında şeffaf yapay zeka sistemleri uygulamak isteyen orta ve ileri düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Yapay zeka modellerinde şeffaflığın önemini anlayabilecektir.
• Karmaşık modelleri yorumlamak için gelişmiş XAI tekniklerini uygulayabilecektir.
• SHAP, LIMEvb. araçları kullanarak model şeffaflığını artırabilecektir.
• Yapay zeka modellerindeki etik kaygıları ve adaletsizliği ele alabilecektir.