Scikit-Learn, Keras ve TensorFlow
ile Uygulamalı Makine Öğrenmesi Eğitimi
Geleneksel makine öğrenimi algoritmalarını Scikit-Learn ile ve derin öğrenme algoritmalarını TensorFlow ve Keras ile pratik yaparak öğrenin. Aurélien Géron'un kanıtlanmış metodolojisi ile gerçek dünya projeleri üzerinde çalışarak uzmanlaşın.
Geleneksel ML Algoritmaları
Scikit-Learn ile doğrusal regresyon, SVM, karar ağaçları ve ensemble yöntemleri
Derin Öğrenme Modelleri
TensorFlow ve Keras ile CNN'ler, RNN'ler ve gelişmiş sinir ağı mimarileri
Pratik Projeler
Jupyter not defterleri ile gerçek dünya veri kümeleri üzerinde uygulamalı çalışma
Eğitimin Kapsamı ve Hedefleri
Bu eğitim, Python programlama dilini kullanarak makine öğrenmesi ve derin öğrenme alanlarında pratik beceriler kazandırmayı amaçlamaktadır. Eğitim, geleneksel makine öğrenimi algoritmalarının Scikit-Learn kütüphanesi ile uygulanmasıyla başlayacak, ardından TensorFlow ve Keras gibi popüler kütüphaneler kullanılarak derin öğrenme modellerinin geliştirilmesine odaklanacaktır.
Temel Hedefler
- Teorik bilgileri gerçek dünya veri kümeleri ve projeleri üzerinde uygulayarak deneyim kazanma
- Algoritmaların nasıl çalıştığını ve bu araçları etkin bir şekilde nasıl kullanacaklarını öğrenme
- Regresyon, sınıflandırma, kümeleme gibi temel ML kavramlarını pratikte uygulama
- Sinir ağları, CNN'ler, RNN'ler ve diğer derin öğrenme mimarilerini inceleme
Geleneksel Makine Öğrenimi Algoritmaları (Scikit-Learn ile)
Eğitimin ilk aşaması, Scikit-Learn kütüphanesi kullanılarak geleneksel makine öğrenimi algoritmalarının öğretilmesine ayrılmıştır. Bu bölümde, katılımcılar doğrusal regresyon, lojistik regresyon, destek vektör makineleri (SVM'ler), karar ağaçları, rastgele ormanlar ve ensemble yöntemleri gibi temel algoritmaları uygulamalı olarak öğreneceklerdir.
Öğrenilecek Algoritmalar:
Doğrusal Modeller
- • Doğrusal Regresyon
- • Lojistik Regresyon
- • Ridge/Lasso Regresyon
Ağaç Tabanlı Modeller
- • Karar Ağaçları
- • Rastgele Ormanlar
- • Gradient Boosting
Derin Öğrenme Algoritmaları (TensorFlow, Keras ile)
Geleneksel makine öğrenimi tekniklerinin ardından, eğitim derin öğrenme konusuna odaklanacaktır. Bu bölümde, TensorFlow ve Keras kütüphaneleri kullanılarak sinir ağlarının temelleri, ileri beslemeli sinir ağları, evrişimli sinir ağları (CNN'ler), tekrarlayan sinir ağları (RNN'ler) ve diğer gelişmiş mimariler ele alınacaktır.
Görüntü İşleme
Evrişimli Sinir Ağları (CNN'ler) ile görüntü sınıflandırma ve nesne tanıma
Doğal Dil İşleme
Tekrarlayan Sinir Ağları (RNN'ler) ve Transformers ile metin analizi
Pratik Uygulama Odaklı Öğrenme
Eğitimin temel felsefesi, pratik uygulama üzerine kuruludur. Teorik kavramlar, gerçek dünya veri kümeleri ve projeleri üzerinde çalışılarak pekiştirilecektir. Katılımcılar, Jupyter not defterleri aracılığıyla çeşitli makine öğrenimi ve derin öğrenme tekniklerini uygulamalı olarak deneyimleyeceklerdir.
Pratik Öğrenme Yaklaşımı
Bu pratik odaklı eğitim, katılımcıların endüstride karşılaşacakları problemlere hazırlıklı olmalarına ve etkili çözümler üretebilmelerine yardımcı olacaktır.
Endüstriyel projelerde kullanılan gerçek veriler
Adım adım ilerleyen interaktif öğrenme
Scikit-Learn, Keras ve TensorFlow
"Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi" Kitabı
Bu eğitim programı, Aurélien Géron tarafından yazılan "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" adlı kitabın içeriği ve yaklaşımı ile büyük ölçüde uyumludur. Kitap, makine öğrenimi ve derin öğrenme alanlarında pratik bir rehber olarak kabul edilmektedir.
Orijinal Kitap
"Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow"
Yazar: Aurélien Géron
Yayıncı: O'Reilly Media
Baskı: 3. Baskı (TensorFlow 2 ve Scikit-Learn 1.x)
Türkçe Çeviri
"Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi"
Yayınevi: Buzdağı Yayınevi
ISBN: 978-605-06248-2-3
Özellikler: Renkli baskı, sıvama cilt kapaklı
Kitabın İçeriği ve Yaklaşımı
"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" kitabı, makine öğrenmesi ve derin öğrenme alanlarında pratik beceriler kazandırmayı hedefleyen kapsamlı bir kaynaktır. Kitabın temel yaklaşımı, teorik kavramları minimum düzeyde tutarak, okuyucuları gerçek dünya veri kümeleri ve projeleri üzerinde çalışmaya yönlendirmektir.
Kitabın Temel Özellikleri:
Minimum Teori, Maksimum Pratik
Teorik kavramlar minimum düzeyde tutularak pratik uygulamalara odaklanılır
Gerçek Dünya Projeleri
Okuyucular gerçek veri kümeleri üzerinde çalışarak deneyim kazanır
Endüstri Standardı Araçlar
Scikit-Learn, Keras ve TensorFlow kütüphaneleri temel alınır
Kitabın Türkçe Çevirisi
"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" kitabının Türkçe çevirisi, "Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi" adıyla Buzdağı Yayınevi tarafından yayınlanmıştır. Bu çeviri, Türkçe okuyucuların bu değerli kaynağa kendi dillerinde erişmelerini sağlamaktadır.
Türkçe Baskı Detayları
Başlık: Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi
Yayınevi: Buzdağı Yayınevi
ISBN: 978-605-06248-2-3
Özellikler: Renkli baskı, sıvama cilt kapaklı
Kitabın GitHub Deposu ve Örnek Kodlar
GitHub Deposu
Resmi kod örnekleri ve Jupyter not defterleri
Depo İçeriği
- • Kitaptaki tüm Jupyter not defterleri
- • Alıştırma çözümleri
- • Gerekli veri kümelerine yönlendirmeler
- • Bölümlerle eşleşen dizin yapısı
Faydaları
- • Kodları doğrudan çalıştırma
- • Parametreleri değiştirerek denemeler yapma
- • Adım adım inceleme yapabilme
- • Kendi projelerine adapte etme
Eğitim Kaynakları ve Materyaller
Bu eğitim programı, katılımcılara makine öğrenimi ve derin öğrenme alanlarında sağlam bir temel kazandırmak ve pratik beceriler geliştirmelerine yardımcı olmak için çeşitli kaynak ve materyallerden yararlanmaktadır.
Temel Kaynak: "Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow"
Kitabın Kapsamı:
Geleneksel Makine Öğrenimi
- • Scikit-Learn ile uçtan uca proje takibi
- • SVM, karar ağaçları, rastgele ormanlar
- • Ensemble yöntemleri
- • Denetimsiz öğrenme teknikleri
Derin Öğrenme
- • TensorFlow ve Keras ile sinir ağları
- • Bilgisayarlı görü ve CNN'ler
- • Doğal dil işleme ve RNN'ler
- • Üretken modeller ve GAN'lar
Kitap, somut örnekler, minimum teori ve üretime hazır Python çerçeveleri (Scikit-Learn, Keras ve TensorFlow) kullanarak okuyucuların akıllı sistemler oluşturmak için gereken kavramları ve araçları sezgisel olarak anlamalarına yardımcı olur. Her bölüm, öğrenilenleri uygulamaya koymak için alıştırmalar içerir.
Yardımcı Kaynaklar ve Çevrimiçi Materyaller
Temel kitabın yanı sıra, eğitim sürecini desteklemek için çeşitli yardımcı kaynaklar ve çevrimiçi materyallerden faydalanılacaktır.
GitHub Deposu
Kitaptaki tüm örnek kodlar ve Jupyter not defterleri
Resmi Dokümantasyon
Scikit-Learn, Keras ve TensorFlow'un resmi belgeleri
Çevrimiçi Eğitimler
Platformlardaki makaleler ve video eğitimleri
Öğrenme Çıktıları
Bu eğitimi başarıyla tamamlayan katılımcılar, makine öğrenimi ve derin öğrenme alanlarında önemli pratik beceriler kazanacaklardır. Eğitim, Scikit-Learn kütüphanesini kullanarak geleneksel makine öğrenimi projelerini yönetme, TensorFlow ve Keras ile çeşitli sinir ağı mimarileri geliştirme ve eğitme konularında yetkinlik kazandırmayı hedeflemektedir.
Scikit-Learn ile Proje Yönetimi
Bir makine öğrenimi projesinin tüm aşamalarını uçtan uca yönetebilme becerisi
TensorFlow & Keras ile Model Geliştirme
Çeşitli sinir ağı modellerini geliştirme, eğitme ve değerlendirme becerileri
Scikit-Learn ile Proje Yönetimi Becerileri
Eğitimin Scikit-Learn odaklı bölümünü tamamlayan katılımcılar, bir makine öğrenimi projesinin tüm aşamalarını uçtan uca yönetebilme becerisi kazanacaklardır. Bu, veri toplama ve ön işlemeden başlayarak, uygun geleneksel makine öğrenimi algoritmalarının seçimi, eğitimi ve değerlendirilmesini içerir.
Kazanılacak Yetkinlikler:
Veri İşleme
- • Veri toplama ve ön işleme
- • Özellik mühendisliği
- • Veri dönüşümü araçlarını kullanma
Model Geliştirme
- • Algoritma seçimi ve eğitimi
- • Hiperparametre optimizasyonu
- • Çapraz doğrulama teknikleri
TensorFlow ve Keras ile Sinir Ağı Geliştirme ve Eğitimi
Eğitimin derin öğrenme bölümü, katılımcılara TensorFlow ve Keras kütüphanelerini kullanarak çeşitli sinir ağı modellerini geliştirme, eğitme ve değerlendirme becerileri kazandıracaktır. Katılımcılar, ileri beslemeli sinir ağları, evrişimli sinir ağları (CNN'ler) ve tekrarlayan sinir ağları (RNN'ler) gibi temel derin öğrenme mimarilerini anlayacak ve uygulayabileceklerdir.
İleri Beslemeli Ağlar
Temel sinir ağı mimarilerini oluşturma ve eğitme
Evrişimli Ağlar
CNN'ler ile görüntü sınıflandırma ve işleme
Tekrarlayan Ağlar
RNN'ler ile dizi modelleri ve zaman serileri
Çeşitli Sinir Ağı Mimarilerine Hakimiyet
Bu eğitim, katılımcıların sadece temel sinir ağı mimarilerini değil, aynı zamanda daha gelişmiş ve özelleşmiş mimarilere de aşina olmalarını sağlayacaktır. Eğitim evrişimli sinir ağları (CNN'ler), tekrarlayan sinir ağları (RNN'ler), üretken çekişmeli ağlar (GAN'lar), otoenkoderler, difüzyon modelleri ve transformatörler gibi çeşitli sinir ağı mimarilerini kapsamaktadır.
Gelişmiş Mimari Türleri
Üretken Modeller
Yeni veri örnekleri üretmek için kullanılan çekişmeli ağlar
Gürültüyü kademeli olarak kaldırarak örnek üreten modeller
Dil Modelleri
Doğal dil işlemede devrim yaratan dikkat mekanizmalı modeller
Veriyi verimli bir şekilde kodlayıp çözen modeller
Eğitim Sonunda Kazanılacaklar
Teknik Beceriler
- • Gerçek dünya problemlerine ML çözümleri geliştirme
- • Modelleri değerlendirme ve performansı iyileştirme
- • Farklı algoritmaların avantaj/dezavantajlarını anlama
Pratik Yetkinlikler
- • Kendi projelerini başlatabilme
- • Mevcut projelere katkıda bulunabilme
- • Endüstriyel problemlere hazırlıklı olma