DEEP LEARNING (KERAS) EĞİTİMİ
Deep Learning (Keras) Eğitimi, sinir ağlarının temel mantığından başlayıp modeli üretime taşıyan bütün bir yol haritasını izlemeyi sağlar. Katılımcılar, farklı ağ türlerini uygun probleme göre seçmeyi ve eğitim sürecini düzenli biçimde yönetmeyi öğrenir.
Çalışan bir modeli üretmekle, o modeli gerçek bir ürünün parçası haline getirmek farklı becerilerdir. Katılımcılar bu eğitimde modeli eğitimden dağıtıma kadar takip etmeyi uygular; konular güncel Keras dokümantasyonu temel alınarak işlenir.
Deep Learning (Keras) eğitimini şirketinize özel planlayalım. 0212 951 0608 · Teklif isteyin
Katılımcı Profili
Bu program, derin öğrenme modellerini üretime çıkarmak isteyen rollere yöneliktir:
- ML Mühendisleri: Model'i üretime çıkaran ve serving altyapısı kuran roller
- Veri Bilimciler: Deep learning model tasarımı yapan analistler
- Araştırma Mühendisleri: Yeni mimari ve loss fonksiyonu deneyen roller
- Computer Vision Mühendisleri: CNN ile görüntü ve video modeli geliştirenler
- NLP Mühendisleri: Transformer ve sıralı modellerle dil işleyen mühendisler
Ön Gereklilikler
Bu eğitime katılım için aşağıdaki ön bilgiler önerilir:
- Python ile temel programlama (NumPy, pandas) deneyimi
- Doğrusal cebir ve kalkülüs temellerine giriş seviyesi aşinalık
- İstatistik ve olasılık kavramlarına temel aşinalık
- Klasik ML kavramlarına (train/test, overfitting) giriş düzeyi bilgi
- Jupyter Notebook veya VS Code Notebook kullanım deneyimi
Süresi ve Tarihi
Süre: 4 gün. Bu süre standart program içindir; ek modüllere ve hedefe göre süre özelleştirilebilir.
Eğitim tarihleri ve saatleri, ekibinizin uygunluğuna göre birlikte planlanır.
Kazanımlar
Eğitim sonunda katılımcı, Keras'ı "yüksek seviye API" diye geçiştirmez, alttaki TensorFlow ile bağlantısını kurar:
- Perceptron, backpropagation ve gradient descent zincirini sezgisel anlatır
- Functional API ve Subclassing arasında doğru model API'sini seçer
- CNN ile görüntü, LSTM/GRU ile sıralı veri, Transformer ile attention kurar
- Dropout, BatchNorm ve L1/L2 ile overfitting'i metrikle önler
- Transfer learning ile küçük veride state-of-the-art'a yakın sonuç alır
- EarlyStopping, ModelCheckpoint ve ReduceLROnPlateau callback'leriyle eğitimi yönetir
- TFLite, ONNX ve TF Serving ile model'i mobile ve sunucuya çıkarır
Deep Learning (Keras) Eğitimi Konuları
1. Deep Learning (Keras) Eğitimi - Temel Kavramlar ve Kurulum
- Biyolojik nöron ve yapay nöron arasındaki ilham
- Perceptron ve multi-layer perceptron (MLP)
- Forward propagation ve weighted sum
- Bias terimi ve karar yüzeyi
2. Backpropagation ve Gradient Descent
- Zincir kuralı ve gradient hesabı
- Stochastic Gradient Descent ve mini-batch
- Vanishing ve exploding gradient sorunları
- Gradient clipping ile stabilizasyon
3. Aktivasyon Fonksiyonları
- Sigmoid, tanh ve doygunluk problemi
- ReLU, Leaky ReLU, ELU
- Softmax çoklu sınıf için
- Aktivasyon seçim kriterleri
4. Loss Function ve Optimizer
- MSE, MAE regresyon kayıp fonksiyonları
- Cross-entropy: binary ve categorical
- Focal loss ve dengesiz sınıf
- SGD, Adam, RMSprop, AdamW karşılaştırması
- Learning rate scheduling
5. Keras API - Sequential ve Functional
- Sequential model: katman zinciri
- Functional API: çoklu girdi/çıktı, dallanma
- Model subclassing ile özel ileri yayılım
- compile, fit, evaluate, predict pipeline'ı
6. Layer Kataloğu - Dense, Conv, Pool, Dropout
- Dense layer ve fully-connected ağlar
- Conv1D, Conv2D, Conv3D konvolüsyon
- MaxPooling, AveragePooling, GlobalPooling
- Dropout ve SpatialDropout
- BatchNormalization ve LayerNormalization
7. Veri Hazırlama ve tf.data Pipeline
- tf.data.Dataset oluşturma
- map, batch, prefetch, cache, shuffle
- Paralel I/O ve AUTOTUNE
- ImageDataGenerator (eski) ve tf.keras.utils.image_dataset
8. Normalization ve Augmentation
- StandardScaler, MinMaxScaler etkisi
- Image augmentation: rotation, flip, zoom, brightness
- Text augmentation: synonym replacement, back-translation
- Mixup ve CutMix modern teknikleri
- Augmentation'ı pipeline içine entegre etme
9. Regularization - L1, L2, Dropout, BatchNorm
- L1 (Lasso), L2 (Ridge) weight decay
- Dropout oranı seçimi ve test zamanı davranışı
- Batch Normalization mantığı ve etkisi
- Early stopping ve patience parametresi
10. Overfitting ve Bias-Variance
- Bias-variance trade-off
- Training, validation, test set bölünmesi
- K-fold cross-validation deep learning'de
- Learning curve okuma ve teşhis
11. CNN - Konvolüsyonel Sinir Ağları
- Filter, stride, padding kavramları
- Receptive field ve mimari derinleştirme
- LeNet, AlexNet, VGG, ResNet evrimi
- Skip connection ve residual learning
- Inception modülü ve depthwise separable
12. Transfer Learning ve Fine-Tuning
- Pre-trained model: VGG, ResNet, EfficientNet, MobileNet
- Feature extraction vs fine-tuning yaklaşımı
- Layer freezing ve unfreezing stratejisi
- Domain adaptation pratikleri
13. RNN, LSTM, GRU - Sıralı Veri
- SimpleRNN ve unfold işlemi
- LSTM: forget, input, output gate
- GRU: reset ve update gate sadeleştirmesi
- Bidirectional ve stacked RNN
- Sequence-to-sequence modelleri
14. Transformer ve Attention Mekanizması
- Self-attention ve scaled dot-product
- Multi-head attention
- Positional encoding
- Encoder ve decoder yapısı
- Vision Transformer (ViT) görsel uygulaması
15. Embedding ve Pre-trained Models
- Embedding layer ve continuous representation
- Word2Vec, GloVe, fastText
- BERT, GPT, T5 öncesi ve sonrası
- Hugging Face Hub ile pre-trained model erişimi
16. Callback Mekanizması ve Eğitim Kontrolü
- ModelCheckpoint ile en iyi ağırlık saklama
- ReduceLROnPlateau ile öğrenme oranı kontrolü
- EarlyStopping ve patience
- Custom callback yazımı
- TerminateOnNaN ile koruma
17. Hyperparameter Tuning - KerasTuner
- Search space tanımı ve hp.Int, hp.Float, hp.Choice
- RandomSearch, BayesianOptimization, Hyperband
- Tuner.search ve trial yönetimi
- MLflow, Weights & Biases ile deney takibi
18. TensorBoard ile Görselleştirme
- Scalar, histogram, imagetag, graph görselleri
- Embedding projector ve PCA/t-SNE
- Profiler ile GPU/CPU bottleneck
- HParams ile hiperparametre karşılaştırma
19. Model Serving - SavedModel, TFLite, TF.js
- SavedModel formatı ve dağıtım
- TFLite ile mobil/edge deploy
- Quantization (post-training ve QAT)
- TensorFlow.js ile tarayıcıda model
- TF Serving ile REST/gRPC servis
20. GPU/TPU ve Distributed Training
- tf.distribute.Strategy: MirroredStrategy, MultiWorker
- Mixed precision (FP16/BF16) ile hızlandırma
- TPU farkı ve XLA derleyici
- Gradient accumulation ile büyük batch
DEEP LEARNING (KERAS) EĞİTİMİ ile İlgili
Sıkça Sorulan Sorular ve Cevapları
Deep Learning (Keras) eğitimini kurumumuza özel planlayabilir miyiz?
Evet. Deep Learning (Keras) eğitimini tamamen kurumunuza özel planlıyoruz; konu kapsamı ve takvim, hedeflerinize ve katılımcı kadronuzun uygunluğuna göre birlikte şekillenir.
Deep Learning (Keras) eğitimini hangi illerde veriyorsunuz?
Deep Learning (Keras) eğitimini firmanızın bulunduğu yerde, kendi ofisinizde yerinde vermekteyiz; İstanbul, Ankara ve İzmir başta olmak üzere Türkiye'nin tüm illerine gelmekteyiz. Tercih eden kurumlara eğitimi canlı online olarak da sunmaktayız.
Deep Learning (Keras) eğitimini online veriyor musunuz?
Evet. Deep Learning (Keras) eğitimini canlı online formatta da vermekteyiz; ekran paylaşımı ve uygulamalı oturumlarla Türkiye'nin her ilinden katılım sağlanabilir. İçerik ve takvim yine kurumunuzun ihtiyacına göre planlanır.
Deep Learning (Keras) eğitimi çalışanlarımızın seviyesine göre uyarlanıyor mu?
Evet. Eğitimin başında, ihtiyacınıza bağlı olarak bir seviye tespiti yapmakta ve katılımcıların mevcut bilgisine göre ilerlemekteyiz. Böylece konuya yeni başlayanlar da, deneyimli olanlar da aynı eğitimden verim alır.
Deep Learning (Keras) eğitimi projemiz üzerinden ilerleyebilir mi?
Eğitim, kendi veri setiniz veya kullanım senaryonuz üzerinden ilerleyebilir. Teklif öncesinde projenizi bize iletmeniz ya da tarif etmeniz durumunda eğitimi gerçek probleminize göre kurgularız.
Deep Learning (Keras) eğitmenleriniz hakkında bilgi alabilir miyiz?
Eğitmenlerimiz yapay zeka ve veri bilimi alanında çalışan, Deep Learning (Keras) ile gerçek projeler yürütmüş uzmanlardır. İhtiyacınıza ve hedefinize en uygun eğitmeni sizinle eşleştiriyoruz.
Katılımcılarımıza sertifika veriliyor mu?
Evet. Eğitimi tamamlayan katılımcılarımıza katılım sertifikası vermekteyiz. Sertifika, eğitimin adını ve katılımcının bilgilerini içerir; kurumunuzun talebine göre dijital veya basılı olarak iletilir.
Deep Learning (Keras) eğitiminin fiyatı ne kadar?
Deep Learning (Keras) eğitimi kurumlara özel planlandığı için sabit liste fiyatı yoktur. İstekleriniz ve kapsam doğrultusunda bir teklif hazırlayıp fiyatla birlikte size iletmekteyiz.
Ekibiniz için planlayalım; tarih ve kapsamı birlikte netleştirelim.
0212 951 0608 · Kurumsal teklif
