Tasarım odaklı düşünme ile makine öğrenimi ve derin öğrenme

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 zamanlı
    Pazartesi'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.

Python programlama dili gereklidir, veri analitiği alanında daha önce bilgi sahibi olunması tavsiye edilir.

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.

Size ücretsiz tavsiyede bulunmaktan memnuniyet duyarız.

0800 3456-500 Pzt - Cuma günleri sabah 8'den akşam 5'e kadar
tüm Alman şebekelerinden ücretsiz.

Bize ulaşın

Size ücretsiz tavsiyede bulunmaktan memnuniyet duyarız. 0800 3456-500 Pzt - Cuma günleri sabah 8'den akşam 5'e kadar tüm Alman şebekelerinden ücretsiz.