Yapay sinir Ağları (Neural Network) İleri Eğitimi

Eğitim Hakkında

Yapay sinir ağı insan beyninin çalışma şeklini taklit ederek bir veri kümesindeki temel ilişkileri tanımaya çalışan bir dizi algoritmadır. Yapay sinir ağı kavramı insan biyolojisinden ve nöronlarından esinlenmiştir.

Yapay sinir ağları makine öğrenimi algoritmalarında kullanılan birçok araç ve yaklaşımdan sadece biridir. Yapay sinir ağları günümüzde konuşma ve görüntü tanıma, spam e-posta filtreleme, finans ve tıbbi teşhis dahil olmak üzere birçok gerçek hayat sorununa uygulanıyor.

Bu kurs yapay sinir ağları temel eğitiminin devamı şeklinde tasarlanmıştır. Yapay sinir ağları temel eğitiminde anlatılan standart yapay sinir ağlarına ilave olarak yapay sinir ağlarını geliştirmek başlığı altında farklı optimizasyon teknikleri, düzenlileştirme gibi konular anlatılmaktadır. Özellikle görüntülerin sınıflandırılmasında çokça kullanılan evrişimsel sinir ağları (convolutional neural networks) ve konuşma tanıma uygulamalarında ağırlıklı olarak kullanılan tekrarlayan sinir ağları (recurrent neural networks) bu kursun en önemli içeriklerini oluşturmaktadır.

Katılımcıların kursa aktif katılımını sağlayabilmek amacıyla kursun içine çok sayıda soru cevap dahil edilmiştir.

Eğitimin sonunda katılımcıların standart yapay sinir ağlarının yapısını ileri seviyede kullanabilmeleri ve bunun yanında evrişimsel sinir ağları ve tekrarlayan sinir ağlarını da nasıl ve hangi konuların çözümü için kullanacaklarını bilmeleri hedeflenmektedir.

Kimler katılmalı

Yapay sinir ağları ileri eğitimine katılmak için, öncesinde yapay sinir ağları temel eğitimini almış olmak ya da onun içeriğindeki konulara hakim olmak gerekmektedir. Eğitim içeriği, farklı rollerdeki kişilere (yönetici, tasarımcı, analist, yazılımcı) hitap edecek şekilde hazırlanmıştır. Eğitime katılım için ön şart olmamakla beraber, mühendislik temel matematik bilgisi, teorik kısımların daha iyi anlaşılmasını ve herhangi bir yazılım dilinde programlama bilgisi de kod örneklerinin daha kolay takip edilmesini sağlayacaktır.

 

Eğitim İçeriği

 

Yapay sinir ağını geliştirmek

  • Düzenlileştirme (Regularization)
    • Aşırı öğrenme/eksik öğrenme (Overfitting/underfitting)
    • L1 ve L2 düzenlileştirme
    • Azaltım (Dropout)
  • Normalleştirme
  • İlk değer atamaları
  • Optimizasyon teknikleri
    • Mini batch gradyan inişi
    • Stokastik gradyan inişi
    • Momentum ile gradyan inişi
    • RMSprop optimizasyon
    • Adam optimizasyon
  • Hiper parametreler
  • Batch normalleştirme
  • Çoklu sınıflandırma – Softmax
  • Yapay sinir ağı çatıları (Frameworks)

Evrişimsel sinir ağları (Convolutional neural networks)

  • Evrişimsel sinir ağları temel yapısıÖrnek evrişimsel sinir ağları (Le Net, AlexNet,VGG-16,ResNet,Inception Networks)
    • Evrişim (Convolution) işlemi
    • Sıfır ilave etme (Zero padding)
    • Kaydırılımış evrişim (Strided convoution)
    • Çoklu boyutta evrişim
    • Ortaklama (Pooling)
  • Örnek evrişimsel sinir ağları (Le Net, AlexNet, VGG-16, ResNet, Inception Networks)
  • Eğitim transferi
  • Veri artırma (Data augmentation)
  • Bilgisayarlı görü (Computer vision)
    • Lokasyon ile sınıflandırma
    • Kayan pencereler (Sliding windows)
    • YOLO
    • Yüz tanıma
    • Stil transferi
    • 1D ve 3D uygulamaları

Tekrarlayan Sinir Ağları ve Uzun Kısa Dönem Hafıza (Recurrent Neural Networks and Long-Short Term Memory)

  • RNN modeli
  • İleri yayılım ve geri yayılım
  • Dil modelleme
  • Geçitli tekrarlayan birim (Gated Recurrent Units -GRU)
  • Uzun kısa süreli bellek (Long short-term memory- LTSM)
  • İki yönlü tekrarlayan sinir ağları (Bidirectional recurrent neual network-BRNN)
  • Derin RNN
  • Kelime gömme (Word embedddings)
  • RNN ve makine tercümesi uygulaması
  • Işın araması (Beam search)
  • İlgi modeli (Attention model)

Eğitim süresi

  • 2 gün (8 saat)

Eğitmen