Merhaba,

Bu Yapay Zeka Kursu Machine Learning ve Deep Learning konularına ilgi duyan ve bu alanda günlük hayattan gerçek PROJELERLE kendini geliştirip uzmanlaşmak isteyen tüm öğrenciler için hızlı ve etkili bir kurstur. Kursumuz güncel Python ve Anaconda 3 ile hazırlanmıştır.

Kurs içinde kullanılan projelerin çoğunda dünyada Yapay Zeka konusunda 1.sırada gelen verisetlerini barındıran Google'ın sahip olduğu Kaggle Platformundaki datasetler kullanılmaktadır. Böylece öğrenciler hem bilimsel hem de en trend olan verisetlerini öğrenmiş olacaklardır.

Kursa katılacaklar için tek bir ön şart vardır: Temel Python Programlama dili bilgisi. Eğer Python bilmiyorsanız aynı eğitmenimizin (Yazılım Teknolojileri Akademisi) Python kursuna kaydolabilirsiniz. Yapay Zeka konusunda hiç bir ön şart yoktur, kurs sonunda yapay zeka nedir sorunuzun kapsamlı bir yanıtını almış olacaksınız. Makine öğrenmesi konusunda hiç deneyimi olmayanlar da katılabilirler. Python programlama dilinin makine öğrenmesi ile ilgili kütüphaneleri de kursumuzda ayrıca öğretilecektir, dolayısıyla bu kütüphanler konusunda deneyiminiz yoksa bu herhangi bir sorun teşkil etmeyecektir çünkü zaten kurs içinde ilgili Python modüllerini (Pandas, Numpy, Matplotlib) öğreneceksiniz. Tüm eğitimlerimizi Jupyter Notebook kullanarak yapacağız. Kurs boyunca güncel sürüm Python 3.8 kullanılacaktır. Kurs boyunca yeteri kadar detay verilecek ancak öğrencileri sıkmamak için gereksiz ayrıntılı konulara girilmeyecektir. Kursu tamamlayan tüm öğrenciler Makine Öğrenmesi ve Deep Learning konseptlerini gerçek hayattan projeler örneklerini ile öğrenmiş olacak ve Udemy tarafından dijital kurs bitirme sertifikası verilecektir.

Kursumuzun aşamaları aşağıda gösterilmiştir:

Bölüm 1:

– Anaconda, Python, Jupyter Notebook ve Makine Öğrenimi ile ilgili kursta kullanacağımız kütüphanelerin kurulumu,

– Tensorflow ve Keras Kurulumu

– Kaggle PlatformuTanıtım

– Jupyter Notebook Tanıtım ve Kullanım Eğitimi

– Makine Öğrenmesi Konsepti

Bölüm 2:

– Makine Öğrenmesi ve Deep Learning algoritmalarını çalıştırabilmek için gerekli Python kütüphaneleri (Pandas, Numpy, Matplotlib),

Bölüm 3:

– Makine öğrenmesi ve Deep Learning için bilinmesi gerekeli temel istatistik konseptleri.

Bölüm 4:

– Outlier (Aykırı Değer) Tespiti ve Filtreleme İşlemleri

PROJELER:

Giriş ve Orta Seviye Projeler:

– Proje 1: Kaggle Hasta Tahlil Veri Seti Kullanarak Şeker Hastalığını Tahmin Etme

– Proje 2: Emlak Fiyatlarını Yapay Zeka Kullanarak Tahmin Etme

– Proje 3: HR Departmanı için Polynomial Regression Kullanarak Maaş Skalası Hesaplama Yazılımı

– Proje 4: IRIS Çiçeği Analizi ve PCA Kullanarak Özellik Sayısının Azaltılması

– Proje 5: İş Başvurularının Yapay Zeka İle Değerlendirmesi

– Proje 6: Yapay Zeka ile Müşteri Segmentasyonu

İleri Seviye Projeler:

– Proje 7: IMDB Verileri Kullanılarak Film Tavsiye Sistemi (Recommendation System):

IMDB film veri setini kullanarak belirli bir filmi izleyen herhangi bir kullanıcı için o filme en çok benzeyen 5 adet farklı film tavsiyesi yapan bir yazılım yapacağız. Hani siz NETFLIX'te bir film izlediğiniz zaman altta şunlar da ilginizi çekebilir diyor ya, aynen öyle. Bunu yaparken filmi izleyip beğenen veri tabanındaki tüm kullanıcıların beğenilerini analiz ederek bir Recommendation System kuracağız.

– Proje 8: Fotoğraflardaki El Yazısını Yapay Zeka ile Otomatik Tanıma Yazılımı:

Bu Projede birden fazla Makine Öğrenmesi Modelini bir arada kullanarak, fotoğraftaki objeleri tanıyan ve anlamlandıran bir yazılım gerçekleştireceğiz. Bu proje sayesinde makine öğrenmesi modellerini birleştirip birkaç modeli bir araya getirip complex problemleri nasıl çözebileceğinizi göreceksiniz. Günlük hayatta kullanılabilecek olan bir problemin (el yazısı ile yazılmış bir yazının bilgisayar tarafından tanınması) çözümünü yapay zeka kullanarak yapmış olacaksınız.

– Proje 9: NLP ile IMDB Duygu Analizi - Yapay Zeka ile IMDB Metin Tanıma Yazılımı:

Bu Proje ile NLP konseptini kullanarak duygu analiz yazılımı geliştireceğiz. Bu çalışmada Google'a ait bir platform olan Kaggle platformundan elde edilen veri seti kullanacağız. Bu veri seti ile gelen İngilizce IMDB film yorumlarını bu projede geliştireceğimiz yapay zeka yazılımımız sayesinde pozitif veya negatif yorumları otomatik bir şekilde çıkartabileceğiz. Bu proje ile NLP konseptini teoriye boğulmadan çok kısa sürede öğrenmiş olacaksınız.

– Proje 10: Advanced Müşteri Segmentasyonu Projesi:

Bu projemizde Massachusetts Institute of Technology (MIT) tarafından geliştirilmiş yeni ve çok az kişi tarafından bilinen ileri seviye bir segmentasyon kütüphanesi kullanacağız. Giriş ve Orta seviye projeler içinde yer alan Müşteri Segmentasyon projemizdeki müşteri verileri basitti ve K-Means clustering algoritması segmentasyon için yeterliydi. Ancak hayat o kadar basit değil! Kompleks müşteri verileriniz olduğunda clustering işlemini K-Means ile yaparsanız hatalı sonuçlar elde edebilirsiniz! Bu projedeki müşteri verileri tıpkı gerçek hayattaki gibi kompleks veriler (hem numeric hem de categorical) olduğu için olduğu için burada standart bir model yerine özel bir unsupervised learning algoritması kullanacak ve 2000 adet müşterimizi en yeni yapay zeka algoritmaları ile gruplara böleceğiz.

-Proje 11: San Francisco Crime Geographical K-Means Clustering Projesi

Bu projemizde San Francisco şehrinde 2003-2015 yıllarında işlenen suçları içeren SFPD (San Francisco Police Department) tarafından oluşturulan bir veri seti kullanarak coğrafik kümeleme işlemini Coğrafi konumlama bilgilerini (Enlem & Boylam) kullanarak gerçekleştireceğiz. Elbow metodunu kullanarak bu veri seti için en uygun cluster sayısını (hyperparameter K-value) belirlemeyi de öğreneceğiz. Daha sonra kümeleme sonuçlarımız içinde bulunan coğrafik koordinatları Python tabanlı coğrafi bir harita sistemi üzerinde görüntülenmesini sağlayacağız. Son olarak da oluşturduğumuz bu haritayı bir HTML dosyasına export etmeyi öğreneceğiz.

-Proje 12: Convolutional Neural Network (CNN) ve Yapay Sinir Ağı Algoritmaları (Artificial Neural Network) Kullanarak Görüntü Tanıma ve Sınıflandırma Projesi

Binlerce farklı resim dosyasını derin öğrenme ve yapay sinir ağları algoritmalarını kullanarak otomatik olarak tanıyan ve sınıflandıran bir proje yapacağız. Bunu gerçekleştirebilmek için Tensorflow ve Keras kütüphanelerini kullanacağız.

-Proje 13: Keras LSTM ile Uçak Yolcu Sayısı Tahmini (Zaman Serisi Tahmini) Projesi

Bu proje için Airline Passenger veri setini kullanacağız. Bu veri seti, 1949'dan 1960'a kadar bir ABD havayolu şirketinin aylık toplam yolcu sayılarını sağlar. Keras içinde mevcut olan LSTM modelini kullanarak bu proje için bir çözüm üreteceğiz ve sizler de genel olarak Time Series problemlerini Derin Öğrenme ile nasıl çözümler üretildiğini güzel bir örnekle görmüş olacaksınız.

-Proje 14: Transfer Learning ile Görüntü Sınıflandırma (Tensorflow.Keras.InceptionResNetV2)

Transfer öğrenimi, "bir problemi çözerken kazanılan bilgiyi" kullanır ve bunu farklı fakat ilgili bir probleme uygular. Transfer Öğrenimi'nde, daha önce bir veri kümesi üzerinde eğitilmiş ve üzerinde eğitildiği veri kümesinin özelliklerini temsil eden ağırlıkları ve bias değerlerini içeren bir model kullanırız. Bu projemizde önceden eğitilmiş 164 katmanlı advanced bir mimariye sahip ve daha önceden 1 milyondan fazla image içeren ImageNet veriseti ile train edilmiş (pre-trained) bir model olan InceptionResNetV2 modelini kullanacağız.

-Proje 15: Deep Learning ile Uydu Fotoğraflarındaki Askeri Uçak Tiplerinin Tespit ve Sınıflandırılması

Bu projede uydulardan elde edilen askeri uçak görüntülerini (F-22 Raptor, Boeing B-52, A-10 Thunderbolt, .. vs.) Derin Öğrenme algoritmaları kullanarak sınıflandıracağız. Bu projede diğerlerinden farklı olarak kendi veri setinizi oluşturmayı öğrenecek ve pre-trained modeller üzerinde bu customized veri setlerini kullanmayı öğreneceksiniz.

-Proje 16: Deep Learning için Ses Sinyal İşleme:

Bu proje esasen bir sonraki projemiz (Deep Learning ile Ses Tanıma ve Sınıflandırma) için ön hazırlık projesi olacak. Ancak detaylı ve başlı başına bir çözüm ürettiği için ayrı bir proje olarak tanımladık. Burada ses tanıma ve sınıflandırma yapabilmek için elimizdeki 5.8 GB büyüklüğündeki tüm ses dosyalarını Python ile sinyal işleme işlemine tabi tutacağız. Bu kapsamda tüm seslerin Mel-Frequency Cepstral Coefficients (MFCC) hesaplanmasını ve ses dosyalarını yapay zekanın anlayabileceği veri dosyaları haline nasıl getireceğinizi öğreneceksiniz. Bu projenin önemli bir özelliği ise Custom Dataset'ler ile çalışmaya uygun kaynak kodlara sahip olması. Yani sizler de kendi ses veri setiniz ile derin öğrenme için ses işleme yapmak istediğinizde projemizdeki kaynak kodları kullanarak çok kolay ve hızlı bir şekilde kendi veri setiniz üzerinde deep learning için ses işleme yapabileceksiniz.

-Proje 17: Deep Learning ( Tensorflow - Keras ) ile Ses Tanıma ve Sınıflandırma:

Bu projede ise ses tanıma ve sınıflandırma amacıyla bir Convolutional Neural Network (CNN) deep learning modeli oluşturacağız. Bu modele bir önceki projemizde hazırlayıp işlediğimiz ses sinyallerinden oluşan veri dosyalarını girdi olarak verip yapay zekayı eğiteceğiz. Bu projede Tensorflow ve Keras kütüphanelerini kullanacağız. Daha sonra yapay zeka modelimizden İnternetten rastgele bulduğumuz farklı ses dosyalarının tanıma ve sınıflandırmasını yapmasını isteyeceğiz.

"Silikon Vadisi'nin en tepesindeki farklı şirketleri ziyarete gittiğimde, çoğu zaman bazı problemlere aylar boyunca makine öğrenimi algoritmaları uygulamaya çalışan insanlar görüyorum. Ne yaptıklarına baktığımda, diyorum ki, keşke size altı ay önce bir öğrenme algoritması alıp onu biraz değiştirilmiş şekilde uygulamanız gerektiğini ve böylece başarı şansınızın çok daha yüksek olacağını söyleseydim.."

Andrew NG

(Professor at Stanford University Department of Computer Science and Department of Electrical Engineering)

"Python ile Yapay Zeka Projeleri" ve "Artificial Intelligence Projects with Python" Kursları için Kursiyer Yorumlarından Bazıları :

"Kurs güzel beklentileri karşılayan bir kurs." - Doç. Dr. E. Bilgin (9 Eylül Üniversitesi)

"İlgilenenler için harika bir kurs olduğunu düşünüyorum. İçerik tam istediğim şekilde. Anlaşılabilir olarak anlatılmış. Ek kaynaklar özellikle çok iyi. Her kursta bu şekilde kaynak verilmiyor. Bunun için ayrıca takdiri hak ediyor. Hazırlayanlara çok teşekkür ederim. Ellerine sağlık." - Doç. Dr. H. B. Özmen (Uşak Üniversitesi)

"İyi hazırlanmış bir eğitim ve örnek projelerinde her biri çok faydalı. Eğitimcinin hızlı geri dönüşleri de ayrıca güzel. Teşekkürler." - Muzaffer B.

"The first project went very well." - Assoc. Prof. D. Krumholz (The State University of New York, ABD)

"Awesome lectures.... thank you very much sir..." - M.L. Rao, (Oak Ridge National Laboratory - US Department of Energy, ABD)

"Very informative and hands on material with solutions helped" - R. Shinde (New Jersey, ABD)

"Excelentes curso, sería bueno agregar subtitulos en español, debido a que cuando no hace el curso un anglosajón el inglés es un tanto confuso y los subtitulos en inglés no son los adecuados." - (G. J.Ramírez)