Bir AI Danışmanı olarak, şirketlere yapay zeka çözümlerinin uygulanmasında destek olursun. Bu amaçla kurs, öncelikle Python modüllerinin ve üçüncü taraf paketlerinin kullanımı da dahil olmak üzere, Python programlamasının ileri düzey konularına kapsamlı bir derinlemesine inceleme sunar. Katılımcılar, nesne yönelimli programlamanın temellerini, özellikle sınıflar, kalıtım, kapsülleme ve polimorfizm konularını öğrenecek; ayrıca veritabanı kullanımı ve Flask ile web geliştirme konularını da ele alacaklardır. Ardından kurs, veri hazırlama ve model geliştirmeden değerlendirme ve yorumlamaya kadar makine öğreniminin tüm iş akışını kapsamlı bir şekilde ele alacaktır. Makine öğreniminin bir dalı olan ve sinir ağlarına dayanan derin öğrenme yöntemleri de ele alınmaktadır; buna TensorFlow ve Keras gibi araçların yanı sıra, Evrişimli Sinir Ağları (CNN), Tekrarlayan Sinir Ağları (RNN) ve üretken modeller kullanılarak görüntü sınıflandırma teknikleri de dahildir. Buna ek olarak, pekiştirmeli öğrenme ile bilgilerinizi makine öğreniminin üç ana tekniğinden biri olan bu alana genişleteceksiniz; bu teknikte yazılım, deneme yanılma yoluyla çevresiyle doğrudan etkileşime girerek en iyi sonuçları elde etmek üzere eğitilir.
-
Derece türü: Yapay Zeka Danışmanı" sertifikası
Takviyeli Öğrenme" sertifikası -
Ek nitelikler: Sertifika "PCAP™ - Certified Associate Python Programmer"
-
Final Sınavı: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
Certified Associate Python Programmer (PCAP™) (in englischer Sprache) -
Ders saatleri: Tam zamanlıPazartesi'den Cuma'ya 8:30 - 15:35 (resmi tatil olan haftalarda 8:30 - 17:10)
-
Eğitim dili: Alman
-
Süre: 16 Haftalar
Python İleri Düzey
Modüller, paketler ve hata işleme (yaklaşık 4 gün)
Python modüllerine ve paketlerine giriş
Standart ve üçüncü taraf paketleri içe aktarma ve kullanma
Özel modüller ve paketler oluşturma
Sys ve os ile çalışma (ana bilgisayar platformu işlevleri)
İstisnalara ve hata işlemeye giriş (try, except, finally)
Kendinden tanımlı istisnalar oluşturma ve kullanma
Sağlam hata işleme için en iyi uygulamalar
İş sürecinde yapay zeka (AI)
Belirli yapay zeka teknolojilerinin sunumu
ve profesyonel ortamdaki olası uygulamalar
Dizeler ve OOP temelleri (yaklaşık 8 gün)
Dizelerle çalışmaya giriş
Tümleşik dizgi yöntemleri (bölme, birleştirme, bulma, değiştirme vb.)
Dizeleri biçimlendirme ve işleme
Dize dilimleme ve düzenli ifadelerle çalışma (RegEx)
Sınıflara, nesnelere, örnek yöntemlere ve değişkenlere giriş
Kapsülleme, kalıtım ve polimorfizm
Kurucular (__init__) ve yıkıcılar (__del__)
Kalıtım hiyerarşileri ve üst sınıflar
Nesne yönelimli programlama üzerine derinlemesine çalışma (yaklaşık 2,5 gün)
Kalıtım ve polimorfizm üzerine derinlemesine çalışma
Sihirli yöntemlerin uygulanması (__str__, __repr__, __eq__, __lt__, vb.)
Sınıflardaki özellikler ve dekoratörler
Tasarım kalıpları: singleton, factory, vb.
Verimli liste işleme için Liste Kavramaları
Lambda fonksiyonları ve anonim fonksiyon yazma
Python'da kapanışlar ve kapsam belirleme
Üreteçleri ve yineleyicileri anlama ve kullanma
Dosyalar, veritabanları ve web geliştirme ile çalışma (yaklaşık 2,5 gün)
Dosya okuma ve yazma (CSV, JSON)
SQL'e giriş ve SQLite veritabanlarına bağlantı
Bir veritabanında CRUD işlemleri (oluşturma, okuma, güncelleme, silme)
Flask'a giriş ve basit bir web uygulaması oluşturma
Flask'ta rotalar ve şablonlar
Flask'ta CRUD uygulamaları (veritabanı entegrasyonu)
Proje çalışması, sertifikasyon hazırlığı ve İngilizce "PCAP™ - Certified Associate Python Programmer" sertifika sınavı (yaklaşık 3 gün)
Makine Öğrenimi
Makine Öğrenimine Giriş ve ML İş Akışı (yaklaşık 3 gün)
Makine Öğreniminin Temelleri, Uygulama Alanları ve Türleri
Modern Yapay Zeka ve Makine Öğrenimi Yöntemlerinin Sınıflandırılması
scikit-learn ile Makine Öğrenimi İş Akışı
Eğitim, doğrulama ve test verileri
Underfitting, Overfitting ve Model Değerlendirmesi
Çapraz Doğrulama
Veri Hazırlama ve Özellik Mühendisliği (yaklaşık 2 gün)
Veri kalitesi ve veri ön işleme
Ölçeklendirme, Normalleştirme ve Kodlama
Özellik Mühendisliği ve Özellik Seçimi
Eksik değerler, uç değerler ve dengesiz veri kümeleriyle başa çıkma
Denetimli Öğrenme – Regresyon ve Sınıflandırma (yaklaşık 5 gün)
Regresyon ve Sınıflandırma Yöntemleri
Doğrusal ve düzenlemeli modeller
Mesafe, olasılık ve ağaç tabanlı yöntemler
Ensemble ve Boosting yöntemleri
Model karşılaştırması ve hiperparametre optimizasyonu
Değerlendirme metrikleri ve olasılıksal tahminler
Özellik Önemliliği ve Açıklanabilir Yapay Zeka
Gözetimsiz öğrenme (yaklaşık 2 gün)
Boyut azaltma ve özellik çıkarma
Kümeleme yöntemleri ve kümeleme sonuçlarının değerlendirilmesi
Anomali Tespiti
Zaman Serisi Analizi ve Tahminler (yaklaşık 1 gün)
Zaman serisi verilerinin temelleri ve analizi
Zaman serileri için tahmin yöntemleri ve makine öğrenimi
Sinir ağları ve modern yapay zeka (yaklaşık 2 gün)
Sinir ağlarının temelleri ve derin öğrenme
Metin verileri için makine öğrenimi ve doğal dil işleme
Temel Modeller, Büyük Dil Modelleri ve üretken yapay zeka
ML modellerinin devreye alınması (yaklaşık 1 gün)
Eğitimli modellerin depolanması ve sunumu
Basit makine öğrenimi uygulamalarının geliştirilmesi
Makine öğrenimi modelleri için arayüzler ve platformlar
Proje çalışması (yaklaşık 4 gün)
Öğrenilen içeriği pekiştirmek için
Proje sonuçlarının sunumu
Derin öğrenme
Derin Öğrenmeye Giriş (yaklaşık 1 gün)
Bir makine öğrenimi türü olarak derin öğrenme
Sinir ağlarının temelleri (yaklaşık 4 gün)
Çok katmanlı algılayıcılar
Sinir ağlarının hesaplanması
Model parametrelerinin optimizasyonu, geriye yayılım
Derin öğrenme kütüphaneleri
Regresyon vs. sınıflandırma
Tipik kayıp ve aktivasyon fonksiyonları
Model tahmininin metriklerle değerlendirilmesi
Regresyon ve sınıflandırma metrikleri
Öğrenme eğrileri, aşırı uyum ve düzenlileştirme
Hiperparametre optimizasyonu
L1/12 düzenlemesi
Okulu Bırakma
Erken durdurma
Stokastik gradyan inişi (SGD)
Momentum, Adam Optimiser
Öğrenme oranının optimizasyonu
Dinamik öğrenme oranı ayarı
Platoda öğrenme oranını azaltın
TensorBoard ile öğrenme oranı optimizasyonu
Uyum sürecini geri aramalarla kontrol edin
Modelleri kaydetme ve yükleme
Evrişimsel Sinir Ağı (CNN) (yaklaşık 2 gün)
Görüntü sınıflandırma
Konvolüsyonel katmanlar, havuzlama katmanları
Katmanları yeniden şekillendirme, düzleştirme, küresel ortalama havuzlama
CNN mimarileri ImageNet-Competition
Derin sinir ağları, kaybolan gradyanlar, atlama bağlantıları, toplu normalizasyon
Transfer öğrenimi (yaklaşık 1 gün)
Modellerin uyarlanması ve birleştirilmesi
Denetimsiz ön eğitim
Görüntü verisi artırımı, açıklanabilir yapay zeka
Veri yükleyici
Bölgesel CNN (yaklaşık 1 gün)
Nesne lokalizasyonu
Anlamsal segmentasyon
Regresyon sorunları
Dallanmış sinir ağları
YOLO mimarisi
U-Net modelleri
Yaratıcı imaj oluşturma yöntemleri (yaklaşık 1 gün)
Üretken Çekişmeli Ağlar (GAN)
Deepfakes
Difüzyon modelleri
Süperçözünürlük
Görüntü alanlarını tamamlama
Hugging Face'in fondöten modellerini uygulayın
Multimodal modeller
LoRA-İnce Ayar
Üretken modellerin uygulama alanları
Yasal kısıtlamalar
Tekrarlayan sinir ağları (yaklaşık 2 gün)
Dizi analizi
Tekrarlayan katmanlar
Zaman içinde geri yayılım (BPTT)
Zaman serilerinin analizi
Patlayan ve kaybolan gradyan problemleri
LSTM (Uzun Kısa Süreli Bellek)
GRU (Gated Recurrent Unit)
Derin RNN
Derin LSTM
Sinir ağları kullanarak metin işleme (yaklaşık 2 gün)
Metin ön işleme
Katmanları gömme
Metin sınıflandırması
Duygu analizi
Doğal Dil İşleme (NLP)
Çeviriler
Metin oluşturma
Diziden diziye yöntemi, kodlayıcı-kod çözücü mimarisi
Yalnızca kodlayıcı ve yalnızca kod çözücü modelleri
Büyük dil modellerinin yerel uygulaması
Dil modelleri (yaklaşık 1 gün)
Transfomer mimarisi
Dikkat ve Çok Başlı Dikkat
Konumsal Kodlamalar
Büyük dil modellerine ince ayar yapma
Yönlendirme
Metin üretim hatları
Özetleme
Sohbet Robotları
Geri Alma Artırılmış Nesil
Yapay zeka ajanları
Derin pekiştirmeli öğrenme (yaklaşık 1 gün)
Dinamik sistemlerin kontrolü
Temsilci sistemleri
Ödüller aracılığıyla eğitim
Politika eğimleri
Derin Q-öğrenme
Bayesian sinir ağları (yaklaşık 1 gün)
Sinir ağlarındaki belirsizlikler
Tahminlerin istatistiksel değerlendirmesi
Güven, standart sapma
Dengesiz veri
Örnekleme yöntemleri
Proje çalışması (yaklaşık 3 gün)
Öğrenilen içeriği pekiştirmek için
Proje sonuçlarının sunumu
Pekiştirmeli Öğrenme
Pekiştirmeli öğrenmeye giriş (yaklaşık 1 gün)
Tanım ve temel kavramlar
Diğer öğrenme yöntemlerinden farklılıkları
Uygulama alanları ve örnekler
Markov Karar Süreçleri (MDP'ler) (yaklaşık 2 gün)
MDP'lerin tanımı ve özellikleri
Değer fonksiyonları ve politika
Bellman denklemleri
Dinamik Programlama Yaklaşımı
Q-Learning (yaklaşık 2 gün)
Tanım ve algoritma
Keşif vs. sömürü
Yakınsama ve optimizasyon özellikleri
Oyunlar, robotik ve diğer alanlardaki uygulamalar
Derin pekiştirmeli öğrenme (yaklaşık 3 gün)
Derin Q-Öğrenme
Derin Belirleyici Politika Gradyanları (DDPG)
Aktör Eleştirel Yöntemler
Politika Gradyan Yöntemleri
İleri düzey konular (yaklaşık 4 gün)
Model Tabanlı Pekiştirmeli Öğrenme
Çok Ajanlı Takviyeli Öğrenme
Ters Takviyeli Öğrenme
Meta Takviyeli Öğrenme
Pratik uygulamalar (yaklaşık 3 gün)
Takviyeli öğrenme algoritmalarının uygulanması
Seçilmiş problemlere ve vaka çalışmalarına uygulama
Algoritmaların değerlendirilmesi ve ayarlanması
Özet ve genel görünüm (yaklaşık 2 gün)
En önemli kavramların ve sonuçların özeti
Pekiştirmeli öğrenmede karşılaşılan zorluklar ve gelecekteki gelişmeler
Proje çalışması (yaklaşık 3 gün)
Öğrenilen içeriği pekiştirmek için
Proje sonuçlarının sunumu
Değişiklikler mümkündür, kurs içeriği düzenli olarak güncellenmektedir.
Bu eğitimin sonunda Python'da sınıflar, kalıtım ve tasarım kalıpları dahil olmak üzere nesne yönelimli programlama ilkelerine hakim olacaksınız. Üreteçler, dekoratörler ve liste kavramları gibi kavramları uygulayabilecek ve verileri verimli bir şekilde analiz edip görselleştirebileceksiniz. Ayrıca dosyalar ve veritabanları ile güvenle çalışacak ve eksiksiz bir CRUD uygulaması da dahil olmak üzere Flask ile temel web uygulamaları oluşturacaksınız.
Ayrıca, makine öğrenimi uygulamaları için verileri hazırlayabilir, denetimli ve denetimsiz öğrenme yöntemleri arasından uygun olanları seçebilir, modelleri eğitebilir, değerlendirebilir ve optimize edebilirsin. Model sonuçlarını yorumlayabilir ve temel makine öğrenimi uygulamalarını hayata geçirebilirsin. Ayrıca, derin öğrenme ve üretken yapay zeka alanındaki güncel gelişmelerden haberdarsın.
Ayrıca derin öğrenmenin uygulama alanlarına ve sinir ağlarının nasıl çalıştığına aşinasınız. Sinir ağlarının görüntülerdeki nesneleri nasıl tanıyabildiğini ve makine öğrenimi ve belge süreçlerini nasıl sağlayabildiğini anlıyorsunuz.
Ayrıca takviyeli öğrenmenin temel kavramlarını anlayacak ve diğer öğrenme yöntemlerinden farklarını bileceksiniz. Markov karar süreçleri, Q-öğrenme ve derin pekiştirmeli öğrenmeye aşina olacak ve çok ajanlı ve model tabanlı pekiştirmeli öğrenme gibi ileri düzey konuları uygulayabileceksiniz.
Programcılar, fen bilimleri öğrencileri, ekonomi öğrencileri, bilgisayar bilimleri öğrencileri, BT uzmanları, mühendislik veya veri analizi deneyimi olan kişiler ve ilgili iş deneyimine sahip profesyoneller.
Yapay Zeka Danışmanı olarak, şirketleri yapay zeka çözümlerinin uygulanmasında destekleyerek yönetim danışmanlığı, veri analizi, sağlık hizmetleri ve e-ticaret gibi alanlarda çalışabilirsiniz. İş süreçlerini optimize etmeye, veri odaklı kararlar almaya ve yenilikçi teknolojiler geliştirmeye yardımcı olacaksınız.
Takviyeli öğrenme ile robotik ve otomasyon teknolojisinin yanı sıra otomotiv endüstrisinde, örneğin sürücü destek fonksiyonlarında veya otonom ulaşım sistemlerinin geliştirilmesi ve optimizasyonunda sıklıkla kullanılan sektörler arası bilgiler de edineceksiniz.
Didaktik kavram
Eğitmenleriniz hem profesyonel hem de didaktik açıdan son derece kalifiyedir ve size ilk günden son güne kadar ders verecektir (kendi kendine çalışma sistemi yoktur).
Etkili küçük gruplar halinde öğreneceksiniz. Kurslar genellikle 6 ila 25 katılımcıdan oluşmaktadır. Genel dersler, tüm kurs modüllerinde çok sayıda pratik alıştırma ile desteklenmektedir. Uygulama aşaması kursun önemli bir parçasıdır, çünkü bu süre zarfında öğrendiklerinizi işler ve uygulamada güven ve rutin kazanırsınız. Kursun son bölümü bir proje, bir vaka çalışması veya bir final sınavını içerir.
Sanal sınıf alfaview®
BildungszentrumDersler, modern alfaview® video teknolojisi kullanılarak kendi evinizin rahatlığında ya da 'deki tesislerimizde gerçekleştirilir. Tüm kursiyerler alfaview® aracılığıyla birbirlerini yüz yüze görebilir, birbirleriyle dudak senkronize ses kalitesinde iletişim kurabilir ve ortak projeler üzerinde çalışabilir. Elbette, bağlı eğitmenlerinizi de istediğiniz zaman canlı olarak görebilir ve onlarla konuşabilirsiniz ve kursun tüm süresi boyunca eğitmenleriniz tarafından gerçek zamanlı olarak eğitileceksiniz. Dersler e-öğrenme değil, video teknolojisi aracılığıyla gerçek canlı yüz yüze öğretimdir.
alfatraining Agentur für Arbeit Eğitim kursları, AZAV onay yönetmeliğine uygun olarak sübvanse edilmekte ve sertifikalandırılmaktadır. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinKurs başvurusunda bulunduğunuzda, kurs masraflarının tamamı genellikle finansman kuruluşunuz tarafından karşılanır.
Europäischen Sozialfonds Deutsche Rentenversicherung (ESF), (DRV) veya bölgesel finansman programları aracılığıyla da finansman mümkündür. Berufsförderungsdienst Düzenli bir asker olarak, (BFD) aracılığıyla daha fazla eğitim kursuna katılmak mümkündür. Agentur für Arbeit (Qualifizierungschancengesetz) Şirketler de çalışanlarını (BFD) tarafından sağlanan bir finansman programı aracılığıyla kalifiye hale getirebilirler.