Uygulamalı Yapay Zeka Eğitimi

Python ile Veri Bilimine giriş

Yapay Zeka dersimizde dünyada  da en çok kullanılan yapay zeka kodlama programlama dili olan Pythonu kullanıyoruz. Ayrıca Yapay Zeka için kullanılan R , Java vs gibi dillerin avantajları dezavantajlarını anlatıyoruz. Gerçek hayatta kullanılan örneklerle uygulama ağırlı bir  eğitim programı yapıyoruz.  Ayrıca, CRISP-DM veri bilimi metodolojisine ve makine öğreniminin gereksinimleri metodolojileri işlemekteyiz.

• Temel Python Eğitim Konuları
• Türler ve Değişkenler
• For Loops (For Döngüleri)
• While Loops (While Döngüleri)
• Temel İfadeler
• Veri Yapıları
• Fonksiyonlar
• Lambda Fonksiyonu
• Files I/O (Dosya Okuma/Yazdırma)
• Tuples & Sequences (Demetler & Diziler)
• Dictionaries (Sözlükler)
• Files I/O (Dosya Okuma/Yazdırma)
• Exceptions (İstisnalar)
• Düzenli İfadeler (Regular Expressions)
• Modüller ve Paketler
• Sınıflar, Kütüphaneler
• Veritabanı Erişimi
• XML ve JSON

Proje 1: Python fonksiyonları ile ilgili uygulamalar

Data Analizine Giriş & Temel İstatistik

Data analizinde, derin öğrenmede ve sonrasında yapay zekada öncelikli olarak istatistik, matematik ve veri işleme metodolojisine sahip olmak lazım. Derslerimizde veri bilimi için istatistik ve veri bilimi için matematik anlatıyoruz. Veri analizinde görselleştirme işlemlerimizde Yapay zeka kodlaması için python ve gerekli olan kütüphaneleri anlatıyoruz.

• İstatistik Kavramları
• Nitel (Kalitatif), Nicel (Kantitatif) veriler
• Seriler
• Ortalamalar, Varyans, Standart Sapma
• Histogram
• Binom dağılımı
• Normal dağılım
• Tolerans, Kontrol Limitleri, Aralıklar
• Histogram
• Kesikli ve sürekli veriler
• Yığılma Göstergeleri (orta değer, ortalamalar, mod, medyan)
• Yayılma Göstergeleri (range,standart sapma, varyans)
• Olasılık Dağılımları
• Binom Dağılımı
• Poisson Dağılımı
• Hipotez testing & p-value & t-value
• Veri Türleri ve Veri Toplama
• Python Kütüphanaleri, pandas, numpy ,…

Proje 2: Titanic datası üzerinden uygulama veri analizi

Veri Görselleştirme & Veri Analizi

Veri biliminde görselleştirmenin önemini grafiklerle pekiştiriyoruz. Grafikler verileri daha iyi yorumlamak için araçlardan birisidir. Görselleştirme için python un grafik kütüphanelerini kullanmaktayız. Elinizdeki projenize ait verileri istediğiniz şekilde 2 boyut yada 3 boyutta görselleştirebilirsiniz. Görseller üzerinden yorumlar çıkartabilirsiniz.

Proje 3: Anket sonuçları verilerinin görselleştirilmesi ve analizi

Machine Learning (Makina Öğrenimi)

Makine öğrenmesi için kullanılan metodolojilerden olan denetimli ve denetimsiz öğrenme metodlarını derinlemesine işlemekteyiz.  Daha sonra, öğrenciler, linear, polynomial, ridge, lasso, gradient,  regression, classification terimleri ile modellerinden birini oluşturuyoruz. Dersimizin sonunda lineer regresyon, sınıflama ve gruplama ile ilgili kaggle üzerinden yarışmalara katılabilecek düzeyde eğitim almış olacaksınız.

Dersimizde Lineer Regresyon metodlarını derinlemesine inceliyoruz ve kullanılan araçlardan 3-4 tanesi ile örnekler yapıyoruz.

Classification metodları ile sınıflamayı bilgisayar ile yapabileceğiz. Popüler ve aktif kullanılan 3-4 aracı kullanarak uygulamalı olarak dersimizde kod yazarak konuyu anlatarak ilerliyoruz.

Clustering için makina öğrenimi için kullanılan bir kaç kütüphane ile verilerimizi grupluyoruz.

Zaman Serileri ile zamana bağlı dönemsel tahminlemelerin yaptırılması makina öğrenimi metodları ile yapıyoruz

Proje 4: Araba fiyatları görselleştirme ve makina öğrenmesi ile tahmin edilmesi

Proje 5: Ev fiyatları görselleştirme ve makina öğrenmesi ile tahmin edilmesi

Proje 6: Kredi verip vermeme algoritması için makina öğrenmesini kullanma ile tahmin edilmesi

Proje 7: Müşterilerin çeşitli kriterlere göre bilgisayar tarafından makina öğrenmesi metodları kullanılarak yapılması

Proje 8: Bir servisin yada cihazın ne zaman bozulacağını bilgisayar ile makina öğrenmesi metodları kullanılarak tahmin edilmesi.

Doğal Dil İşleme (Natural Language Processing) & Bilgisayarın Görmesi (Computer Vision)

NLP- Doğal dil işleme metodlarını gösteriyoruz. Herhangi bir cümlenin kelimelerine ayırmaktan tutunda kelimelerin köklerini buldurmak üzerine çalışmalar yapıyoruz. Sonrasında twitter ve diğer kaynaklardan alınan verilerin olumlumu olumsuzmu ne anlam ifade ettiklerini doğal dil işleme metodları ile analiz ediyoruz, birlikte kod yazıyoruz.

Yaptığımız ve devam eden projelerimizden örnekler göstererek ilerlemekteyiz. Size gelen bir mesajın spammı reklammı yoksa normal mesaj olduğunu anlamak için makina öğrenmesi metodlarını kullanıyoruz ve kodluyoruz.

Bilgisayarın görüntüler videolar fotoğraflar üzerinde işlemler yapması için kullanmak ve bu işlemleri yapabilmek için kodlama ile birlikte işin temel mantığını anlatıyoruz.

İnsan yüzlerini tanımak, topluluk içerisinde aranan yada istenen kişiyi bulmak, toplulukta kaç kişini olduğunu bulmak, yoldan geçen araçların sayısını buldurmak, otonom araçların nasıl yollarını bulduklarını kodlama ve işin temeline inerek anlatmaktayız. Videolardaki yada fotoğraflardaki görüntülerden istenilen bir objeyi bulmak üzerine çalışmalar yapıyoruz ve kodlama yapıyoruz.
Proje 9: Yazıyı texte ve textteki yazıyı sese dönüştürme projesi

Proje 10: Twitter verileri ile duygu (sentimentel) analizi yapmak

Proje 11: Sokaktaki insanları sayan proje

Büyük Veri (Big Data) 

Büyük verileri analiz etmek için kullandığımız metodları gösteriyruz. Spark,  Hadoop ve diğer kullanılan araçlardan bahsediyoruz ve uygulamasını yapıyoruz.

Terrabaytlarca verilerinizi nasıl analiz yapacağınızı metodlarla ve gerçek projeler üzerine uyarlama yaparak anlatıyoruz.

Proje 12: Kelime bulutundan anlamlar çıkartmak için bigdatayı kullanmak

Proje 13: IMDB film datasetinden veri analizi yapmak

Derin Öğrenme(Deep Learning) & Yapay Zeka

Derin öğrenme için kullanılan Keras Tensorflow ve PyTorch kütüphanelerinden bahsederek Keras kullanarak projeler yapıyoruz. Yapay zeka algoritmalarının insan beyninin çalışma yöntemini kopyaladığından yola çıkarak derin öğrenme yöntemleri üzerinde çalışmalar ve örnekler yapıyoruz. CNN RNN RBM DBN sinir ağlarını inceliyoruz. Katmanların girdileri işlemesini yöntemlerini kullanarak tahminleme, sınıflama ve gruplandırma üzerine çalışmalar yapıyoruz.

Proje 14: El yazısını algılayacak şekilde makinanın yapay zeka metodlarını kullanarak eğitilmesi ve sonrasında el yazısını tanıması.

Proje 15: Bir klasördeki binlerce fotoğrafları önce bilgisayara yapay sinir ağları ile öğretmek sonrasında milyonlarca fotoğrafı kategorize yaparak ayırmayı yaptırmak.

Kursumuzun temel özelliği Proje Bazlı Eğitim metodudur.
Eğitimlerde gerçek hayattan uygulamalar ile katılımcıların uygulama yaparak eğitim alması sağlanmaktadır.