Makine ve takviyeli öğrenme

Bu kurs, Makine Öğrenimi alanını ayrıntılı bir şekilde ele almaktadır. Öncelikle, veri hazırlama ve model geliştirmeden değerlendirme ve yorumlamaya kadar tüm iş akışı sana öğretilecektir. Bu süreçte regresyon, sınıflandırma, sinir ağları, üretken yapay zeka ve Doğal Dil İşleme gibi yöntemlerin yanı sıra modellerin devreye alınması hakkında bilgi edineceksin. Ardından, makine öğreniminin üç ana tekniğinden biri olan pekiştirmeli öğrenme (Reinforcement Learning) anlatılacaktır. Bu teknikte, yazılım, deneme yanılma yoluyla çevresiyle doğrudan etkileşime girerek en iyi sonuçları elde etmek üzere eğitilir.

  • Derece türü: Makine Öğrenimi" sertifikası
    Takviyeli 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: 8 Haftalar

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

Pekiştirmeli Öğrenme

Pekiştirmeli öğrenmeye giriş (yaklaşık 1 gün)

Tanım ve temel kavramlar

Diğer öğrenme yöntemlerinden farklılıkları

Uygulama alanları ve örnekler


Markov Karar Süreçleri (MDP'ler) (yaklaşık 2 gün)

MDP'lerin tanımı ve özellikleri

Değer fonksiyonları ve politika

Bellman denklemleri

Dinamik Programlama Yaklaşımı


Q-Learning (yaklaşık 2 gün)

Tanım ve algoritma

Keşif vs. sömürü

Yakınsama ve optimizasyon özellikleri

Oyunlar, robotik ve diğer alanlardaki uygulamalar


Derin pekiştirmeli öğrenme (yaklaşık 3 gün)

Derin Q-Öğrenme

Derin Belirleyici Politika Gradyanları (DDPG)

Aktör Eleştirel Yöntemler

Politika Gradyan Yöntemleri


İleri düzey konular (yaklaşık 4 gün)

Model Tabanlı Pekiştirmeli Öğrenme

Çok Ajanlı Takviyeli Öğrenme

Ters Takviyeli Öğrenme

Meta Takviyeli Öğrenme


Pratik uygulamalar (yaklaşık 3 gün)

Takviyeli öğrenme algoritmalarının uygulanması

Seçilmiş problemlere ve vaka çalışmalarına uygulama

Algoritmaların değerlendirilmesi ve ayarlanması


Özet ve genel görünüm (yaklaşık 2 gün)

En önemli kavramların ve sonuçların özeti

Pekiştirmeli öğrenmede karşılaşılan zorluklar ve gelecekteki gelişmeler


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 takviyeli öğrenmenin temel kavramlarını anlayacak ve diğer öğrenme yöntemlerinden farklarını bileceksiniz. Markov karar süreçleri, Q-öğrenme ve derin pekiştirmeli öğrenmeye aşina olacak ve çok ajanlı ve model tabanlı pekiştirmeli öğrenme gibi ileri düzey konuları uygulayabileceksiniz.

Bilgisayar bilimleri mezunları, matematik mezunları, elektrik mühendisliği mezunları 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.

Takviyeli öğrenme ile robotik ve otomasyon teknolojisinin yanı sıra otomotiv endüstrisinde, örneğin sürücü destek fonksiyonlarında veya otonom ulaşım sistemlerinin geliştirilmesi ve optimizasyonunda sıklıkla kullanılan sektörler arası bilgiler de edineceksiniz.

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.