NVIDIA DLI: Derin Öğrenme’nin Temelleri

Açıklama

Derin Öğrenme’nin Temelleri

Dünya çapındaki işletmeler en büyük zorluklarını çözmek için yapay zeka (AI) kullanıyor. Sağlık uzmanları, hastalarda daha doğru ve daha hızlı teşhis sağlamak için AI kullanıyor. Perakende işletmeleri, kişiselleştirilmiş müşteri alışveriş deneyimleri sunmak için AI kullanıyor. Otomobil üreticileri ise kişisel araçları, paylaşılan mobiliteyi ve teslimat hizmetlerini daha güvenli ve daha verimli hale getirmek için kullanıyor. Derin öğrenme, nesne tespiti, konuşma tanıma ve dil çevirisi gibi görevlerde son seviye doğruluk oranlarını sağlamak için çok katmanlı yapay sinir ağlarını kullanan güçlü bir AI yaklaşımıdır. Bilgisayarlar derin öğrenmeyi kullanarak, uzmanlar tarafından yazılan yazılımlar için fazla karmaşık veya detay kabul edilen verilerden örüntüleri öğrenebilir ve tanıyabilir.

Bu atölye çalışmasında, bilgisayarla görme ve doğal dil işleme konularında uygulamalı alıştırmalar ile birlikte derin öğrenmenin nasıl çalıştığını öğreneceksiniz. Son derece doğru sonuçlar elde etmek için sıfırdan derin öğrenme modelleri eğitecek; öğrenme araçları ve püf noktaları öğreneceksiniz. Ayrıca zamandan tasarruf etmek ve derin öğrenme uygulamanızı hızlı bir şekilde çalışır duruma getirmek için ücretsiz olarak sunulan, önceden eğitilmiş son teknoloji modellerden yararlanmayı öğreneceksiniz.

Ne Öğreneceksiniz?

Bu eğitime katılarak;

1. Bir derin öğrenme modelini eğitmek için gerekli temel teknikleri ve araçları uygulayın.
2. Yaygın derin öğrenme veri türleri ve model mimarileri üzerine deneyim kazanın.
3. Model doğruluğunu iyileştirmek için augmentation yöntemleriyle veri setlerini geliştirin.
4. Daha az veri ve hesaplama ile verimli sonuçlar elde etmek için modeller arasında öğrenme aktarımından yararlanın.
5. Bir modern derin öğrenme kütüphanesiyle kendi projenizi üstlenmek için altyapı oluşturun.

EĞİTİM İÇERİĞİ

1. Giriş
   1. Karşılama
2. Derin Öğrenmenin Mekanikleri
   1. Derin sinir ağlarını başarılı bir şekilde eğitmekle ilgili temel mekanikleri ve araçları keşfedin: 120 dakika (Uygulama)
      • Model eğitim sürecini öğrenmek için ilk bilgisayarla görme modelinizi eğitin.
      • Görüntü uygulamalarında tahminlerin doğruluğunu artırmak için evrişimli sinir ağlarıyla tanışın.
      • Bir veri setini geliştirmek ve model genellemesini iyileştirmek için veri büyütme yöntemlerini uygulayın.
3. Önceden Eğitilmiş Modeller ve Recurrent Networks
   1. Derin öğrenme zorluklarını hızla çözmek için önceden eğitilmiş modellerden yararlanın. Sıralı veriler üzerinde recurrent sinir ağlarını eğitin: 120 dakika (Uygulama)
      • Otomatik bir köpek kapısı oluşturmak için önceden eğitilmiş bir görüntü sınıflandırma modelini entegre edin.
      • Yalnızca kendi köpeğinizin içeri girmesine izin veren kişiselleştirilmiş bir köpek kapısı oluşturmak için öğrenme aktarımından yararlanın.
      • New York Times manşetleri temelinde, metni otomatik tamamlayacak bir model eğitin.
4. Son Proje: Nesne Sınıflandırma
   1. Taze ve çürümüş meyveleri birbirinden ayıran bir model oluşturmak için bilgisayarla görü uygulayın: 120 dakika (Uygulama)
      • Renkli görüntüleri yorumlayan bir model oluşturun ve eğitin.
      • Küçük veri setlerinden en iyi şekilde yararlanmak için bir veri üreteci oluşturun.
      • Öğrenme aktarımı ve öznitelik çıkarımını birleştirerek eğitim hızını artırın.
      • Gelişmiş sinir ağı mimarilerini ve öğrencilerin becerilerini daha da geliştirebilecekleri güncel araştırma alanlarını tartışın.
5. Değerlendirme (Sertifika Sınavı)
   1. Önemli öğrenim noktalarını inceleyin ve soruları yanıtlayın.
   2. Sınavı tamamlayın ve bir sertifika kazanın.
   3. Kendi AI uygulama geliştirme ortamınızı nasıl oluşturacağınızı öğrenin.
   4. Ders Anketi
6. Sonraki Adımlar
   1. Open Zeka Otonom Sistemlerde Yapay Zeka Uygulamaları

Eğitmen: NVIDIA DLI Sertifikalı Eğitmen

Eğitim uygulamalı olduğu için katılımcılar eğitime kendi dizüstü bilgisayarı ile katılmalıdır.

Eğitim Ortamı: Online Katılım (Zoom)

Open Zeka NVIDIA Deep Learning Institute Partneridir.