Derin Öğrenmeye Giriş Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, görüntü tanımadan büyük dil modellerine kadar modern yapay zekanın temelinde yer alan derin öğrenmenin nasıl çalıştığını anlamak isteyen profesyoneller için tasarlanmış tek günlük bir başlangıç programıdır. Katılımcılar sinir ağlarının öğrenme sürecini, temel mimarileri ve sınırlarını görsel demolarla kavrar.

Neden Bu Eğitim?

Kara Kutuyu Açın. Bir sinir ağının ağırlıklarını nasıl güncellediğini ve hatasını nasıl azalttığını adım adım görselleştirerek izleyin.

Mimari Okuryazarlığı. CNN, RNN ve Transformer mimarilerinin hangi probleme neden uygun olduğunu karşılaştırmalı olarak öğrenin.

Gücü ve Sınırları. Derin öğrenmenin veri, hesaplama maliyeti ve açıklanabilirlik açısından sınırlarını da gerçekçi biçimde tanıyın.

“Derin öğrenme sihir değil, milyonlarca küçük düzeltmenin sabırla biriktiği bir öğrenme sürecidir; onu anlayan onu doğru kullanır.”

Ön Koşullar

Temel Matematik — Fonksiyon, grafik ve çarpma-toplama işlemleri gibi lise düzeyi matematik kavramlarına aşinalık.
Kodlama İsteğe Bağlı — Programlama bilgisi gerekmez; Python bilenler canlı gösterimleri kendi not defterlerinde tekrarlayabilir.
Yapay Zeka Farkındalığı — Makine öğrenmesine dair temel bir fikre sahip olmak faydalıdır ancak zorunlu değildir.
Bilgisayar — Tarayıcı tabanlı simülasyonlar ve atölye için internete bağlı bir dizüstü bilgisayar.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiYapay sinir ağlarının yapısını ve öğrenme sürecini kavramak, temel derin öğrenme mimarilerini tanımak ve kodsuz bir araçla ilk modelini eğitmek.

Modül 1

Yapay Sinir Ağlarının Temelleri

Biyolojik nörondan yapay nörona: ağırlık ve bias
Aktivasyon fonksiyonları: sigmoid, ReLU ve softmax
Katmanlar, derinlik ve derin öğrenme adının anlamı
Kayıp fonksiyonu ile hatanın ölçülmesi
Gradyan inişi ve geri yayılım sezgisel anlatımı
Etkileşimli demo: TensorFlow Playground ile sinir ağı

Modül 2

Bir Derin Öğrenme Modeli Nasıl Eğitilir?

Veri, etiket ve eğitim-doğrulama-test ayrımı
Epoch, batch ve öğrenme oranı kavramları
Aşırı öğrenme, dropout ve erken durdurma
GPU'lar ve hesaplama gücünün kritik rolü
Transfer öğrenme: hazır modellerden yararlanma
Canlı gösterim: Keras ile el yazısı rakam tanıma modeli

Modül 3

Temel Derin Öğrenme Mimarileri

Evrişimli sinir ağları (CNN) ve görüntü tanıma
Tekrarlayan ağlar (RNN, LSTM) ve sıralı veri
Dikkat mekanizması ve Transformer mimarisi
Gömme (embedding) vektörleri ile anlam temsili
Otokodlayıcılar ve difüzyon modelleriyle içerik üretimi
Görsel karşılaştırma: Hangi mimari hangi probleme?

Modül 4

Uygulama Alanları, Sınırlar ve Kapanış

Temel modeller ve büyük dil modellerinin derin öğrenme kökeni
Sağlık, üretim ve finans alanlarından derin öğrenme örnekleri
Sınırlar: veri ihtiyacı, enerji maliyeti ve açıklanabilirlik
Atölye: Teachable Machine ile görüntü sınıflandırıcı eğitme
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Katılım sertifikası takdimi ve öğrenme yol haritası

Eğitim Kazanımları

Sinir Ağı Yapısı — Nöron, ağırlık, aktivasyon ve katman kavramlarıyla bir sinir ağının yapısını açıkça tarif edebileceksiniz.
Öğrenme Süreci — Kayıp fonksiyonu, gradyan inişi ve geri yayılımın modeli nasıl eğittiğini sezgisel olarak açıklayabileceksiniz.
Eğitim Kavramları — Epoch, batch, öğrenme oranı ve aşırı öğrenme gibi kavramları model eğitimi bağlamında yorumlayabileceksiniz.
CNN Anlayışı — Evrişimli sinir ağlarının görüntülerdeki kenar ve desenleri nasıl öğrendiğini açıklayabileceksiniz.
Transformer Mantığı — Dikkat mekanizmasının ve Transformer mimarisinin büyük dil modellerine nasıl temel oluşturduğunu kavrayacaksınız.
Transfer Öğrenme — Önceden eğitilmiş modellerin az veriyle yeni problemlere nasıl uyarlandığını değerlendirebileceksiniz.
Gerçekçi Değerlendirme — Derin öğrenmenin veri, maliyet ve açıklanabilirlik sınırlarını dikkate alarak kullanım kararı verebileceksiniz.
İlk Model Deneyimi — Teachable Machine ile kendi görüntü sınıflandırıcınızı eğitip test ederek derin öğrenmeyi deneyimleyeceksiniz.

Kimler İçin Uygundur?

Bilgi teknolojileri çalışanları
yazılım geliştiriciler
mühendisler
teknik yöneticiler ve derin öğrenmenin çalışma mantığını anlamak isteyen teknik ilgisi yüksek profesyoneller.

Sıkça Sorulan Sorular

Derin Öğrenmeye Giriş Eğitimi kimler için uygundur?

Program; bilgi teknolojileri çalışanları, yazılım geliştiriciler, mühendisler, teknik yöneticiler ve modern yapay zekanın temelindeki derin öğrenmenin nasıl çalıştığını anlamak isteyen profesyoneller için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 1 tam gün ve 4 modülden oluşur. Kurumun tercihine göre Digital Vizyon Akademi sınıflarında, kurum lokasyonunda veya online olarak gerçekleştirilir.

Katılım için programlama bilgisi gerekiyor mu?

Hayır. Kod gösterimleri eğitmen tarafından yapılır ve atölye kodsuz araçlarla yürütülür. Lise düzeyi matematik yeterlidir; Python bilen katılımcılar gösterimleri kendi not defterlerinde tekrarlayabilir.

Eğitimde hangi araçlar ve mimariler ele alınıyor?

TensorFlow Playground, Keras, Google Colab ve Teachable Machine kullanılır. Evrişimli sinir ağları, LSTM gibi tekrarlayan ağlar, Transformer, gömme vektörleri, otokodlayıcılar ve difüzyon modelleri sezgisel olarak anlatılır.

Bu eğitimden sonra hangi programlarla devam edebilirim?

Katılımcılar Digital Vizyon Akademi katılım sertifikası alır. Devamında bilgisayarlı görü, doğal dil işleme veya Python ile uygulamalı derin öğrenme programlarıyla teknik derinlik kazanılabilir.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika