Python, net sözdizimi sayesinde öğrenmesi kolay bir programlama dili olarak kabul edilir ve çok sayıda modül ve eklenti yazmak için kullanılır. Makine öğreniminde, deneyimlerden yapay bilgi üretilir; bu, yapay zekanın bir alt dalıdır. Veri hazırlama ve model geliştirmeden değerlendirme ve yorumlamaya kadar tüm makine öğrenimi iş akışını ayrıntılı olarak öğreneceksin. Makine öğreniminin bir alt dalı olan derin öğrenme, akıllı öğrenme süreçleri için algoritmalar kullanır.
-
Derece türü: Sertifika "PCEP™ - Sertifikalı Giriş Seviyesi Python Programcısı"
Makine Öğrenimi" sertifikası
Derin Öğrenme" sertifikası -
Final Sınavı: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
Certified Entry-Level Python Programmer (PCEP™) (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: 12 Haftalar
Python ile Programlama
Python temelleri (yaklaşık 1 gün)
Tarihçe, kavramlar
Kullanım ve uygulama alanları
sözdizimi
Lexis, semantik
PEP-8 sözleşmeleri
Yorumlayıcı vs. derleyici
Rakam sistemleri: ikili, sekizli, onaltılı
Bilimsel gösterim
Python ile ilk adımlar (yaklaşık 5 gün)
Sayılar
Dizeler
Tarih ve saat
Standart giriş ve çıkış
Sayısal operatörler
Karşılaştırma, mantıksal ve bitsel operatörler
Veri türü dönüştürme
liste, tuple, dict, küme
İşlevleri ve yöntemleri listeleme
Dallanma ve döngüler (if, for, while)
Üye operatörler
Dize temelleri: kaçış, çok satırlı dizeler
Operatörlerin önceliklendirilmesi ve bağlanması
İş sürecinde yapay zeka (AI)
Belirli yapay zeka teknolojilerinin sunumu
ve profesyonel ortamdaki olası uygulamalar
Fonksiyonlar (yaklaşık 5 gün)
Kendi fonksiyonlarınızı tanımlayın
Değişkenler
Parametreler ve bağımsız değişkenler
Dönüş değerleri
Özyineleme
İsim Alanları
Fonksiyonel programlama
Parametre türleri: konumsal, anahtar sözcük, karışık
Varsayılan değerler
Gölgeleme ve küresel anahtar kelime
Yok ve değer olmadan döndür
Sorun giderme (yaklaşık 0,5 gün)
try ve except ile hata işlemenin temelleri
Tipik hata türleri ve istisna hiyerarşisi
Hata yayılımı ve program kesintileri
Harici blokların yapılandırılması
Nesne yönelimli programlama (yaklaşık 4,5 gün)
Python sınıfları
Yöntemler
Değişmez nesneler
Veri sınıfı
Kalıtım
Proje çalışması, sertifikasyon hazırlığı ve İngilizce "PCEP™ - Certified Entry-Level Python Programmer" sertifika sınavı (yaklaşık 4 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
Değişiklikler mümkündür, kurs içeriği düzenli olarak güncellenmektedir.
Bu eğitimden sonra Python ile programlama konusunda kompakt ve temel bilgilere sahip olacaksınız. Sınıfları, kütüphaneleri ve fonksiyonları ile programlama dilini kullanma konusunda kendinize güveneceksiniz.
Ayrıca makine öğrenimi ve derin öğrenme hakkında da bilgi sahibisiniz. Makine öğrenimini kullanmanın en önemli nedenlerini, uygulama alanlarını ve makine öğreniminin çeşitli kategorilerini ve kavramlarını biliyorsunuz. Ayrıca derin öğrenmenin uygulama alanlarını ve sinir ağlarının nasıl çalıştığını da anlıyorsunuz. Makine öğrenimi ve dokümantasyon süreçlerini sağlayabileceksiniz.
Bilgisayar bilimleri, matematik, elektrik mühendisliği ve (işletme) mühendisliği diplomasına sahip kişiler
Makine öğrenimi ve derin öğrenme uzmanlık alanlarında yüksek niteliklere sahipsiniz, sektörler arasında konuşlandırılabilir ve işgücü piyasasında yüksek talep görüyorsunuz. Örüntüler ve modeller için büyük miktarda veriyi analiz edebilirsiniz. Derin öğrenme genellikle yapay zeka bağlamında yüz, nesne veya konuşma tanıma için kullanılır.
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.