Öncelikle, bu kurs “Tasarım Odaklı Düşünme” (Design Thinking) yaklaşımıyla problem çözme ve yeni fikirler geliştirme yöntemlerini tanıtıyor. Ardından, veri hazırlama ve model geliştirmeden değerlendirme ve yorumlamaya kadar makine öğreniminin tüm iş akışını öğreneceksin. Bu süreçte regresyon, sınıflandırma, sinir ağları, üretken yapay zeka ve doğal dil işleme gibi yöntemlerin yanı sıra modellerin devreye alınması hakkında bilgi edineceksiniz. Ardından kurs, sinir ağlarına dayalı Derin Öğrenme yöntemlerini açıklayacaktır. Makine öğreniminin bir alt dalı olan Derin Öğrenme, akıllı öğrenme süreçleri için algoritmalar kullanır.
-
Derece türü: Tasarım Odaklı Düşünme" sertifikası
Makine Öğrenimi" sertifikası
Derin Öğrenme" sertifikası -
Final Sınavı: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Ders saatleri: Tam zamanlıPazartesi'den Cuma'ya 8:30 - 15:35 (resmi tatil olan haftalarda 8:30 - 17:10)
-
Eğitim dili: Alman
-
Süre: 9 Haftalar
Tasarım Odaklı Düşünme
Tasarım Odaklı Düşünceye Giriş (yaklaşık 1,5 gün)
Tasarım Odaklı Düşünme Sürecine Genel Bakış
Tasarım Odaklı Düşünmenin en önemli kuralları ve aşamaları
Uygulamaya yönelik yaklaşımlar ve uygulamalar
İnovasyon Sürecinde Dijital Araçlar ve Yapay Zeka
1. Aşama: Araştırma (yaklaşık 0,5 gün)
Kullanıcı odaklı araştırma yöntemleri
Görüşme teknikleri ve ihtiyaç analizi
AI destekli araştırma ve bilgi işleme
2. Aşama: Sentez (yaklaşık 0,5 gün)
Bulguların analizi ve yapılandırılması
Sorun tanımlarının ve persona'ların geliştirilmesi
Sonuçların görselleştirilmesi ve kümelenmesi
3. Aşama: Fikir Üretme (yaklaşık 0,5 gün)
Fikir geliştirmeye yönelik yaratıcı teknikler
Çözüm bulma ve değerlendirme yöntemleri
Fikir sürecinde üretken yapay zeka kullanımı
4. Aşama: Prototip Oluşturma (yaklaşık 0,5 gün)
İlk çözüm önerileri ve maketlerin geliştirilmesi
Hızlı prototipleme ve tıklanabilir maketlere giriş
Konseptlerin görselleştirilmesi için dijital araçlar
5. Aşama: Test (yaklaşık 0,5 gün)
Testlerin ve geri bildirim oturumlarının gerçekleştirilmesine yönelik yöntemler
Çözüm yaklaşımlarının analizi ve optimizasyonu
İteratif çalışma ve çevik geliştirme
Proje çalışması (yaklaşık 1 gün)
Öğrenilen içeriği pekiştirmek için
Proje sonuçlarının sunumu
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.
Eğitim programının ardından, 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 geçirebilirsiniz. Ayrıca, derin öğrenme ve üretken yapay zeka alanındaki güncel gelişmeler hakkında bilgi sahibi olacaksınız.
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 bu ders, karmaşık zorluklara yönelik yenilikçi ve kullanıcı odaklı çözümler geliştirilmesini sağlayan Tasarım Odaklı Düşünme yaklaşımını da ele almaktadır. Design Thinking'in ilkelerini ve yapılandırılmış, yinelemeli sürecini öğrenecek ve uygulama odaklı araçların, dijital araçların ve Yapay Zekanın yaratıcı ve disiplinler arası inovasyon süreçlerini nasıl desteklediğini göreceksin.
Bilgisayar bilimleri, matematik, elektrik mühendisliği ve (işletme) mühendisliği diplomasına sahip kişiler
Makine öğrenimi, büyük veri hacimlerini analiz etmek, kalıpları tespit etmek, süreçleri optimize etmek ve tahminlerde bulunmak amacıyla çeşitli sektörlerde kullanılmaktadır. Bu alandaki bilgiler, özellikle BT, sanayi, lojistik, finans ve pazarlama gibi sektörlerde kullanılır. Python bilgisi ile makine öğrenimi modellerinin geliştirilmesi, değerlendirilmesi ve uygulanması konusundaki bilgiler, veri ve yapay zeka odaklı çalışma alanlarında kariyer fırsatları sunar.
Derin öğrenme, örüntüler ve modeller için büyük miktarda veriyi analiz etmek için kullanılabilir. Bu nedenle genellikle yapay zeka bağlamında yüz, nesne veya konuşma tanıma için kullanılır; örneğin tıbbi görüntü tanıma, satışta metin ve konuşma tanıma, BT veri güvenliği veya finansal işlemlerin izlenmesi. Bu nedenle bu bilgiye sahip uzmanlar çeşitli şekillerde görevlendirilebilir ve işgücü piyasasında yüksek talep görürler.
Tasarım odaklı düşünme başlangıçta ürün geliştirme için yenilikçi bir yöntemdi, ancak artık tüm kurumsal kültüre yayıldı ve bu nedenle tüm sektörlerde talep görüyor.Anlamlı sertifikanız, edindiğiniz nitelikler hakkında ayrıntılı bir fikir verir ve kariyer beklentilerinizi geliştirir.
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.