C/EDLP : Enterprise Deep Learning Engineering Program

5 Gün (30 Saat) İleri Sınıf Yapay Zeka ve Makine Öğrenimi

Bu eğitim, derin öğrenmeyi sadece bir kodlama pratiği olarak değil, verinin hiyerarşik ara temsillere (representation learning) dönüştüğü bir mühendislik disiplini olarak ele alır. Katılımcılar, temel bir nöronun matematiksel sezgisinden başlayarak; aktivasyon fonksiyonlarının veriyi "lineer hapishaneden" nasıl kurtardığını ve çok katmanlı yapıların neden bu kadar güçlü olduğunu bizzat deneyimleyerek öğreneceklerdir. Eğitim, kurumsal dünyada sıkça karşılaşılan "kirli veri", "veri kıtlığı" (small data) ve "açıklanabilirlik" (explainability) gibi darboğazlara yönelik stratejik çözüm yollarını kapsar. Programın ikinci yarısında, görsel zekanın temeli olan CNN'lerin anatomisi ve modern mimarilerin (ResNet, MobileNet) evrimi derinlemesine incelenir. Katılımcılar, modellerin eğitim döngüsündeki kritik "failure mode"ları (vanishing gradient, dead ReLU) teşhis etmeyi ve PyTorch profesyonel araçlarıyla bu sorunları gidermeyi öğrenirler. Ayrıca, nesne tespiti (YOLO) ve segmentasyon (U-Net) gibi ileri seviye vizyon görevleri ile anomali tespiti kurumsal vaka analizleriyle somutlaştırılır. Eğitimin final aşaması, modern yapay zekanın en güncel alanları olan Vision Transformers (ViT) ve zamansal veri analizi (RNN/LSTM/GRU) konularını kapsayarak katılımcılara geniş bir vizyon sunar. Modellerin sadece eğitilmesiyle yetinilmeyip; TorchScript ve ONNX gibi formatlarla optimize edilmesi, Quantization teknikleriyle çıkarım hızının artırılması ve MLOps prensipleriyle model yaşam döngüsünün yönetilmesi süreçlerine dair temeller işlenerek program tamamlanır.

Eğitim İçeriği

Module 1: Temsil Gücü ve Matris Mühendisliği

  • Deep Learning Sezgisi: Feature engineering'den representation learning'e geçiş
  • Neural Network Anatomisi: Nöron yapısı, ağırlıklar (w) ve bias (b)
  • PyTorch Çekirdek Yapısı ve Tensor Operasyonları
    • Dinamik hesaplama grafikleri ve torch.autograd mekanizması
    • Device yönetimi: CPU ve GPU (CUDA) stratejileri
  • Aktivasyon Fonksiyonları: Modeli lineer hapishaneden kurtarma (ReLU, Swish, GeLU)
  • Lab / Demo: PyTorch ile sıfırdan MLP inşası ve XOR problemi üzerinden lineer olmayan karar sınırı başarımı

Module 2: Eğitim Dinamikleri ve Hata Odaklı Optimizasyon (Failure-Driven)

  • Loss Mapping: Problemi doğru matematiksel kayba dönüştürme (MSE, BCE, CrossEntropy)
  • Gradyan Akışı ve Backpropagation: Zincir kuralı (Chain Rule) sezgisi
  • Optimization Psikolojisi: Adam, SGD ve Momentum algoritmalarının karşılaştırılması
  • Eğitim Arızaları (Failure Modes): Vanishing/Exploding Gradients ve Dead ReLU sorunu
  • Regularization ve Genelleme: Dropout, L1/L2 ve Early Stopping stratejileri
  • Lab / Demo: "Broken Model" Debugging: Gradyanların kaybolmasını veya patlamasını teşhis edip modeli tamir etme

Module 3: Görsel Zeka (CNN) ve Öznitelik Hiyerarşisi

  • Convolution Mantığı: Yerellik (locality) ve parametre tasarrufu
  • Mimari Parametreler: Kernel ($s$), Stride ve Padding sezgisi
  • Pooling: MaxPool ve AveragePool ile boyut azaltma ve konumsal değişmezlik
  • Mimari Evrimi: ResNet'in atlama bağlantıları (skip connections) ve MobileNet'in verimlilik sırrı
  • Data Augmentation: Sentetik veri çeşitlendirme ile modelin genelleme gücünü artırma
  • Lab / Demo: CNN Feature Map Görselleştirme: Modelin resimdeki kenar ve desenleri nasıl "gördüğünü" kanıtlama

Module 4: İleri Seviye Bilgisayarlı Görü, Transfer Learning ve Anomali Tespiti

  • Nesne Tespiti (Object Detection): YOLO mantığı, Izgara yapısı ve NMS teknikleri
  • Semantik Segmentasyon (U-Net): Encoder-Decoder yapısı ile piksel seviyesinde tahmin
  • Anomali Tespiti ve Otokodlayıcılar (Autoencoders)
    • Yeniden yapılandırma (Reconstruction) mantığı ve kusur tespiti sezgisi
  • Transfer Learning Stratejileri: Feature Extraction vs Fine-tuning
    • Katman dondurma (freezing) ve requires_grad yönetimi
  • Explainability (XAI): Modelin kararlarını ısı haritası (Grad-CAM) üzerinden doğrulama
  • Lab / Demo: Pretrained ResNet18 ile "Small Data" kurumsal veri sınıflandırma ve Autoencoder ile anomali/kusur tespiti uygulaması

Module 5: Modern Sistemler ve Üretim Seviyesinde Deployment

  • Zamansal Zeka: RNN, LSTM ve GRU mimarileri ile zaman serisi tahmini
  • Vision Transformers (ViT): CNN sonrası "Global Attention" devrimi
  • Model Deployment & Optimizasyon: TorchScript ve ONNX formatları
    • Çıkarım (Inference) Hızlandırma: Quantization (int8) ve Pruning
  • MLOps Temelleri: Model izleme (Monitoring) ve veri kayması (Drift) yönetimi
  • Lab / Demo: Eğitilen modelin ONNX formatına ihracı ve bir API (FastAPI) arkasında çıkarım testi yapılması

Öncesinde Önerilenler

Sonrasında Önerilenler