Makine Öğrenmesi

• 1. Derin Öğrenme Temelleri
  - Yapay Sinir Ağları (YSA) ve Derin Öğrenme
  - Geri Yayılım Algoritması
  - Aktivasyon Fonksiyonları ve Aktivasyon Katmanları
  - Kayıp Fonksiyonları ve Optimizasyon Algoritmaları
  - Batch Normalization ve Dropout
  2. Evrişimli Sinir Ağları (CNN’ler)
  - CNN Mimari Yapısı ve İşlevi
  - Evrişim ve Havuzlama Katmanları
  - CNN’de Aktivasyon ve Kayıp Fonksiyonları
  - Veri Artırma (Data Augmentation) Teknikleri
  3. Tekrarlayan Sinir Ağları (RNN’ler) ve Uygulamaları
  - RNN Temelleri ve Mimari Yapıları
  - LSTM ve GRU Hücreleri
  - Duygu Analizi ve Metin Üretimi
  - Zaman Serisi Tahmini ve Dil Modelleri
  4. Derin Öğrenme Uygulamaları
  - Görüntü Sınıflandırma ve Nesne Tanıma
  - Metin Sentiment Analizi ve Metin Sınıflandırma
  - Ses Tanıma ve Konuşma Sentezleme
  - Oyun Oynama ve Strateji Geliştirme (Reinforcement Learning)
  5. Otomatik Kodlayıcılar ve Değişkenlik Azaltma - Variational Autoencoders (VAE)
  - Denoising Autoencoders- Autoencoder Tabanlı Özellik Çıkarma
  6. Derin Transfer Öğrenme ve Önceden Eğitilmiş Modeller
  - Transfer Öğrenme Temelleri
  - Önceden Eğitilmiş Modellerin İncelenmesi ve Uyarlanması - Çoklu Görev Öğrenimi ve Uygulamaları
  7. Derin Meta-Öğrenme ve Uyarlanabilir Algoritmalar
  - Meta-Öğrenme ve Hiperparametre Ayarlama
  - Adaptif Öğrenme Oranı ve Optimizasyon
  - Uyarlanabilir Algoritmalar ve Öğrenme Stratejileri
  8. GAN’lar ve Üretici Modeller
  - Generative Adversarial Networks (GAN’lar) Temelleri - Pix2Pix, CycleGAN gibi GAN Modelleri
  - Stil Aktarımı ve GAN Tabanlı Üretim Uygulamaları
  9. Derin Öğrenme ve Etik Sorunlar
  - Veri Gizliliği ve Güvenliği
  - Önyargılı Modeller ve Adil Öğrenme
  - Derin Öğrenme Etiği ve Toplumsal Etkiler