Bu kurs, makine öğrenimi geliştirmenin temel görevlerini tanıtmaktadır. Öncelikle, verilerin Python ve SQL ile sistematik olarak nasıl işlendiği, analiz edildiği ve anlamlı görselleştirmeler ile Power BI gösterge panelleri yardımıyla anlaşılır bir şekilde nasıl sunulduğu anlatılmaktadır. Ardından, kurs, analiz sonuçlarının hedef kitleye uygun şekilde nasıl aktarılacağı ve veri analizi sürecinde üretken yapay zekanın nasıl kullanılabileceği gösterilir. Daha sonra, gösterge panelleri ve metin madenciliği ile veri analizinin iki önemli konusu daha açıklanır. Ardından, veri hazırlama ve model geliştirmeden değerlendirme ve yorumlamaya kadar makine öğreniminin tüm iş akışı sana öğretilir. Bu süreçte regresyon, sınıflandırma, sinir ağları, üretken yapay zeka ve doğal dil işleme gibi yöntemlerin yanı sıra modellerin devreye alınması hakkında bilgi edinirsin. Son olarak, kurs derin öğrenme (Deep Learning) ile makine öğreniminin bir alt alanını derinlemesine ele alacak ve sinir ağlarına dayalı yöntemlerini açıklayacaktır.
-
Derece türü: "Makine Öğrenimi Geliştiricisi" Sertifikası
-
Ek nitelikler: Veri Analitiği" 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: 12 Haftalar
Veri analitiği
Veri Analitiğine Giriş (yaklaşık 1 gün)
Veri Analitiğinin Görevleri, Uygulama Alanları ve Tipik Uygulama Örnekleri
Veri Analitiği Süreçleri ve CRISP-DM
Veri Analistinin Rolü ve Veri Bilimi, Veri Mühendisliği ve İş Zekası ile Arasındaki Farklar
Yapay Zeka ve Makine Öğreniminin Sınıflandırılması
Veri Analitiği için Python (yaklaşık 1 gün)
Jupyter Notebook'larla Çalışma
Veri analizi için NumPy ve Pandas
Çeşitli veri kaynaklarından (örn. Excel ve CSV) veri içe ve dışa aktarma
Verilerin Seçimi ve Dönüştürülmesi
Veri hazırlama ve keşifsel veri analizi (yaklaşık 3 gün)
Pandas ile veri temizleme ve dönüştürme
Eksik, hatalı ve dikkat çeken verilerin işlenmesi
Verilerin birleştirilmesi, gruplandırılması ve toplanması
Keşifsel veri analizi ve ilk bulguların çıkarılması
İstatistiksel değerlendirmelerin temelleri
SQL ve Veri Yönetimi (yaklaşık 2 gün)
İlişkisel veritabanları ve veri modelleri
SQL ile veri sorgulama ve işleme
Birleştirme, toplama ve analitik sorgular
Veri analizinde SQL ve Python'un birlikte kullanımı
Veri kalitesi ve veri gizliliği
Farklı veri kaynakları ve veritabanı sistemlerine bağlanma ve bunları kullanma
Veri Görselleştirme ve Veri Anlatımı (yaklaşık 2 gün)
Matplotlib, Seaborn ve Plotly ile görselleştirme
Uygun grafiklerin ve görselleştirme biçimlerinin seçimi
Analiz sonuçlarının işlenmesi ve yorumlanması
Veri Anlatımı ve hedef kitleye uygun iletişim
Power BI ve etkileşimli gösterge panelleri (yaklaşık 2 gün)
Power Query ile veri içe aktarma ve hazırlama
Veri modelleme ve ilişkiler
DAX ve metriklerin temelleri
Etkileşimli raporlar ve gösterge panelleri oluşturma
İş KPI'larının görselleştirilmesi ve iletişimi
Alternatif iş zekası ve görselleştirme çözümlerine genel bakış
Yapay zeka destekli veri analizi (yaklaşık 2 gün)
Veri analizi iş akışında üretken yapay zekanın kullanımı
AI destekli veri hazırlama, analiz ve görselleştirme
Python ve SQL sorgularında destek
Veri analizleri için komut satırı yönlendirmeleri ve sonuçların yorumlanması
Veri kaynaklarının eleştirel değerlendirmesi ile sentetik ve mantıksız verilerin tespiti
Kalite güvencesi, veri koruma ve sorumlu yapay zeka kullanımı
İş Analitiği ve İstatistiksel Temeller (yaklaşık 2 gün)
İşletme bağlamında göstergeler ve KPI'lar
Tanımlayıcı İstatistik ve İstatistiksel İlişkiler
Korelasyon, nedensellik ve basit regresyon analizleri
Güven aralıkları ve hipotez testlerinin temelleri
Analiz sonuçlarının yorumlanması ve verilere dayalı eylem önerilerinin türetilmesi
Proje çalışması (yaklaşık 5 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 sonrasında veri analizi ve görselleştirmenin yanı sıra veri yönetimi konusunda da bilgi sahibi olacaksınız. Makine öğrenimini kullanmanın en önemli nedenleri, uygulama alanları ve makine öğreniminin çeşitli kategorileri ve kavramları hakkında bilgi sahibi olacaksınız. Ayrıca derin öğrenmenin uygulama alanlarına ve sinir ağlarının nasıl çalıştığına aşina olacaksınız. Sinir ağlarının görüntülerdeki nesneleri nasıl tanıyabildiğini ve makine öğrenimi ve belge süreçlerini nasıl sağlayabildiğini anlayacaksınız.
Bilgisayar bilimleri, matematik, elektrik mühendisliği ve (işletme) mühendisliği diplomasına sahip kişiler
Veriye dayalı kararlar, şirketlerde ve kuruluşlarda giderek daha önemli bir rol oynamaktadır. Buna bağlı olarak, farklı kaynaklardan gelen verileri işleyip analiz edebilen ve anlaşılır bir şekilde görselleştirebilen uzmanlara ihtiyaç duyulmaktadır. Python, SQL ve İş Zekası alanlarındaki bilgiler, Veri Analitiği alanında ve veri odaklı uzmanlık ve kurumsal birimlerde çalışma imkânları sunmaktadır.
Ayrıca, makine öğrenimi ve derin öğrenme uzmanlık alanlarında yüksek niteliklere sahipsiniz, tüm sektörlerde kullanılabilirsiniz 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.
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.