Makine Öğrenimi Geliştiricisi

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 zamanlı
    Pazartesi'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.

Python programlama bilgisi ve ilişkisel veritabanları (SQL) konusunda bilgi sahibi olunması gerekmektedir.

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.

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.