Introduction to Deep Learning

Although deep learning is a sub-branch of machine learning, it has become a profession and a field of expertise today. This is because it performs much better than conventional machine learning techniques, especially in Image processing and Natural language processing.

This course is a great introductory course that gives you an explanatory introduction to the sub-branches of Deep Learning and how neural networks work, developed and optimized, which allows you to solve more complex AI problems.

With this course, you will understand how the most promising and surprising artificial intelligence projects affect our lives and the underlying technologies. In this course, where the most popular deep learning libraries are used, you will develop projects using Python language, and you will have the skills needed to start your career in this field.

Syllabus

Prologue:

• Derin Öğrenme’ye Giriş Kursuna Hoş Geldiniz!
• Yapay Zeka Dünyasında Derin Öğrenme’nin Yeri Nedir?

Lesson 1:

• Yapay Zeka’ya Giriş
  • Yapay Zeka Nedir?
  • Yapay Zekada Anlam Ayrımı
• Makine Öğrenmesi’ne Giriş
  • Makine Öğrenmesi Nedir?
  • Makine Öğrenmesi Türleri
  • Geleneksel Programlama ve Makine Öğrenmesi
• Denetimli Öğrenme
  • Denetimli Öğrenme Nedir?
  • Denetimli Öğrenme Algoritmaları ve Mimarileri
  • Regresyon ve Sınıflandırma
  • Makine Öğrenmesi Gerçek Hayat Örnekleri
• Denetimsiz Öğrenme
  • Denetimsiz Öğrenme Nedir?
  • Neden Denetimsiz Öğrenme’ye İhtiyaç Duyarız?
  • Denetimsiz Öğrenme Algoritmaları
• Derin Öğrenme
  • Derin Öğrenme’nin Tarihsel Gelişimi
  • Yapay Sinir Ağları Nedir ve Nasıl Çalışır?
  • Derin Öğrenme’nin Günlük Hayattaki Kullanım Alanları
  • Derin Öğrenme Neden Popüler Oldu?
  • Derin Öğrenme vs Makine Öğrenmesi
  • Derin Öğrenme’de Kullanılan Araçlar
  • Derin Öğrenme Kaynakları

Lesson 2:

• Yapay Sinir Ağları
  • Yapay Sinir Ağları Nedir?
  • Nöron Kavramı
• Temel Regresyon Matematiği
  • Lineer Regresyon
  • Lojistik Regresyon
  • Sigmoid Aktivasyon Fonksiyonu
• Yapay Sinir Ağları Bileşenleri ve Matematiği
  • Weight, Bias, Input, Output Kavramları
  • Veri Türleri ve Tensörler
  • Matris Cebri (NumPy ile Tensör Operasyonları)
• Yapay Sinir Ağları Nasıl Çalışır?
  • Forward Propagation
  • Back Propagation
  • Vanishing Gradient Problemi
  • Dying ReLU problemi
• Basit Bir Perceptron Kodlaması
  • Fahrenheit Celsius dönüşümü
• Aktivasyon Fonksiyonları
  • Aktivasyon Fonksiyonları Nedir?
  • Aktivasyon Fonksiyonu Neden Kullanılır?
  • ReLU, Softmax, Tanh Aktivasyon Fonksiyonları -Sinir Ağlarının Optimizasyonu
  • Derin Öğrenmede İleri ve Geri Yayılım Algoritmaları
  • Aşırı Öğrenme ve Eksik Öğrenme
  • Regülarizasyon
  • Dropout, Early Stopping, Data Augmentation
• Optimizer
  • Optimizer Nedir?
• Yaygın Optimizasyon Algoritmaları
  • ADAM
  • Stochastic Gradient Descent
  • RMSPROP
• Yapay Sinir Ağında Eğitim Parametleri
  • Epoch
  • Batch Size

Lesson 3

• Bilgisayarlı Görü ve Sayısal Görüntü İşleme
  • Görüntü İşleme Nedir?
  • Sinyal ve Gürültü Kavramı
  • Bilgisayarlı Görü Kullanım Alanları
  • Özellik Çıkarımı (Feature Extraction)
• Konvolüsyonel Sinir Ağları (CNN)
  • CNN Katman Tipleri
  • Yaygın Aktivasyon Fonksiyonları
• Ön-eğitilmiş CNN Modelleri
  • Ön-eğitilmiş Model Nedir ve Ne İşe Yarar?
  • LeNet-5
  • VGG16
  • ResNet50
• Yinelemeli Sinir Ağları (RNN)
  • RNN Nedir?
  • RNN ve Bilgisayarlı Görü
• Konvolüsyonel Ağlarda Kullanılan Diğer Teknikler
  • Data Augmentation
  • Transfer Learning
  • One-shot Learning
• Nesne Tanıma (Object Detection)
  • Nesne Tanıma Nedir?
  • Nesne Tanımanın Kullanım Alanları
  • Nesne Tanıma Mimarileri
    • Faster R-CNN, YOLO, SSD
  • Nesne Tanıma Veri Setleri
    • COCO, Pascal VOC()
• Görüntü Sınıflandırma (Image Classification)
  • Görüntü Sınıflandırma Nedir?
  • Görüntüde Nesne Lokalizasyonu
  • Görüntü Sınıflandırma Veri Setleri
    • MNIST, ImageNet, CIFAR10
• Proje: TensorFlow ile Çiçek Görüntülerinin Sınıflandırılması

Lesson 4

• Doğal Dil İşleme (NLP)
  • Doğal Dil İşleme Nedir?
  • NLP’ye Neden İhtiyaç Duyarız?
  • Doğal Dil İşleme Gerçek Hayat Kullanım Alanları
  • Text Veri Yapısı ve Diğer Veri Yapılarıyla Kıyaslanması
• Metin Kodlamaları (Text Encodings)
  • Bag of Words
  • Integer Encoding
  • Word Embedding
• Yinelemeli Sinir Ağları (RNN)
  • RNN Matematiği
  • Neden RNN?
  • Vanishing Gradient Problemi
  • LSTM
  • GRU
  • Decoder – Encoder Mimarisi
  • Attention
  • Transformers
  • BERT
• Proje: Sentiment Analysis Workshop

Epilogue:

• Öğrenilenlerin Pratik Kullanımı
• Gelecekte Yapılabilecek Projeler
• Bundan Sonra Sizleri Neler Bekliyor?