Udemy - Deep Learning ve Python: ?leri Seviye Derin ??renme (5.2)
Udemy - Deep Learning ve Python: Ileri Seviye Derin Ogrenme (5.2)

?leri Seviye Derin ??renme


Download

Description

İleri Seviye Derin Öğrenme

  • İleri seviye Derin Öğrenme kursu ile hem Residual Networks, Transfer Learning, Autoencoders ve Generative Adversarial Networks konularının mantığını hem de Python kütüphanelerinden olan Pytorch ve Keras ile kodlamasını öğreneceğiz.

İleri Seviye Deep Learning (Derin Öğrenme) kursu içeriği:   

  • Giriş Bölümü

    • ders programı

       

    • Python Kurulumlar

    • Github Kaynaklar

    • İndirilebilir Kaynaklar

  • Convolutional Neural Networks (CNN) Gözden Geçirme

    • Convolutional Neural Networks Nedir?

    • Proje1: Python (Keras) ile Fruit360 veri seti kullanarak Convolutional Neural Networks kodlama

    • Proje2: Python (Keras) ile MNIST veri seti kullanarak Convolutional Neural Networks kodlama

  • Deep Residual Networks (DRN)

    • Convolutional Neural Networks vs Deep Residual Networks

    • Vanishing Gradient Problem (Kaybolan Gradyan Problemi)

    • Deep Residual Networks Nedir?

    • Proje3: Python (Pytorch) ile IR Pedestrian veri seti kullanarak Deep Residual Networks kodlama

  • Transfer Learning (Transfer Öğrenmesi)

    • Transfer Learning Nedir?

    • Transfer Learning Örnekleri

    • Proje4: Python (Keras) ile Fruit360 veri seti kullanarak Transfer Learning (VGG16) kodlama

    • Proje5: Python (Keras) ile CIFAR10 veri seti kullanarak Transfer Learning (VGG19) kodlama

  • Autoencoders (Otomatik Kodlayıcı)

    • Autoencoders Nedir?

    • Proje6: Python (Keras) ile MNIST veri seti kullanarak Autoencoders kodlama

  • Generative Adversarial Networks (GANs) (Üretken Rakip Ağlar)

    • Generative Adversarial Networks Nedir?

    • Generative Adversarial Networks kullanım alanları

    • Proje7: Python (Keras) ile MNIST veri seti kullanarak Generative Adversarial Networks kodlama

  • EK1: Convolutional Neural Network (CNN)Convolutional Neural Networks

    • Same Padding

    • Max Pooling

    • Fully Connected Network

    • Implementing with Keras

    • Create Model

    • Optimizer

    • Compiler

    • Batch and Epoch

    • Data Augmentation

    • Fitting Model

    • Evaluate Model

    • CNN with Pytorch

Neden Python?

  • Python 2018 IEEE araştırmasına göre dünya çapında en çok kullanılan ve tercih edilen programlama dili.

  • Python kolay öğrenilebilirliği sayesinde kodlamaya yeni başlayanların ilk tercihi oluyor.

  • Python open source (açık kaynak) olması nedeni ile Facebook yada Google gibi dünyanın en büyük şirketleri tarafından destekleniyor.

  • Veri bilimi, makine öğrenmesi yada yapay zeka denince akla ilk olarak Python dili geliyor. Bu durumda Python'ın dünya çapında büyük bir kitlesinin olmasına neden oluyor.

  • Python öğrenmesi en kolay olan dillerin başında geliyor.

  • Kariyer açısından Python en çok fırsata sahip dillerinden biri.

Neden Derin Öğrenme?

  • Derin öğrenme modelleri veri sayısı arttığı zaman klasik makine öğrenmesi yöntemlerinden çok daha başarılı sonuçlar veriyor.

  • Derin öğrenme furyası tüm dünyada çığ gibi büyüyor ve bizlerde yolun başındayken derin öğrenmeyi öğrenmeliyiz.

  • Derin öğrenme bilgisine sahip olmak iş hayatında fark yaratacak.

  • Derin öğrenme herkesin öğrenebileceği kolay bir konu değil bu nedenle derin öğrenme bilen biri olarak her alanda daha kıymetli olursunuz.

Bu Kurs ile Alacaklarınız

  • Sıfırdan Kodlama Becerisi: Sizinle birlikte kod yazıyoruz. Her ders boş bir sayfa ile başlar ve kodu sıfırdan yazarız. Bu şekilde ilerleyebilir ve kodun nasıl bir araya geldiğini ve her satırın ne anlama geldiğini tam olarak anlayabilirsiniz.

  • Kodlar ve Şablonları: Kursta oluşturduğumuz her Python şablonlarını ve kodunu indirebilirsiniz. Bu, sizlere hem daha sonra kod üzerinde pratik yapma hem de kendi projelerinizi şablon sayesinde daha kolay bir şekilde yaratma imkanı sağlayacaktır

  • Teori ve Mantık: Size yalnızca kod yazmayı değil, hem yazdığımız kodun arkasında yatan mantığı ve teoriyi hem de neden böyle bir kod yazdığımızı anlatıyoruz.

  • Kurs içi destek: Size sadece video ile ders anlatımı yapmıyoruz. Size destek olmak için profesyonel Veri Bilimcilerinden oluşan bir ekip oluşturduk. Bu da ders ve ya ders dışı sorularınıza en fazla 72 saat içinde yanıt alacağınız anlamına geliyor.

  • İçeriğin İngilizce olması sizi yanıltmasın arkadaşlar. Derslerim tamamen Türkçedir.   

    Hemen kaydolun ve bir an önce başlayalım.

    Bu kurs kimler için uygun:

    • Derin öğrenmesi konusunda uzmanlaşmak isteyenler
    • İleri seviye derin öğrenme modelleri hakkında bilgi sahibi olmak ve bu modelleri pratikte kodlamayı öğrenmek isteyenler
    • Üniversite ve meslek seçiminde zorlanan ve derin öğrenme hakkında bilgi ve beceri sahibi olmak isteyenler
    • Derin öğrenmeyi iş hayatında uygulamak isteyenler

    Course content

    • İleri Seviye Derin Öğrenme Giriş
      • İleri Seviye Derin Öğrenme Ders Programı
      • Kurulumlar: Anaconda, Python, Keras, Pytorch
      • Datai Team GitHub: Kaynaklar
      • İndirilebilir Kaynaklar
    • Convolutional Neural Networks (CNN)
      • Convolutional Neural Networks Giriş
      • Convolutional Neural Networks Tekrar
      • Fruit360 Projesi: Dataset Tanıtımı
      • Fruit360 Projesi: Python(Keras) ile CNN Modeli Oluşturma
      • Fruit360 Projesi: Python(Keras) ile CNN Train ve Test
      • Fruit360 Projesi: Python(Keras) ile CNN Sonuçlar
      • Mnist Ödevi: Python(Keras) ile CNN
      • Mnist Ödevi: Python(Keras) ile CNN Sonuçları
      • Convolutional Neural Networks Sonuç
    • Deep Residual Networks (ResNets)
      • Deep Residual Networks Giriş
      • CNN vs Deep Residual Networks
      • Vanishing Gradient Problem
      • Deep Residual Networks
      • IR Pedestrian Projesi: Dataset Tanıtımı ve Proje Raporu
      • IR Pedestrian Projesi: Veri Seti Yükleme-1
      • IR Pedestrian Projesi: Veri Seti Yükleme-2
      • IR Pedestrian Projesi: Python(Pytorch) ile CNN Modeli Oluşturma
      • IR Pedestrian Projesi: Python(Pytorch) ile CNN Loss Fonksiyonu ve Optimizer
      • IR Pedestrian Projesi: Python(Pytorch) ile CNN Modeli Eğitimi
      • IR Pedestrian Projesi: Python(Pytorch) ile CNN Modeli Sonuçları
      • IR Pedestrian Projesi: Dataset Tanıtımı
      • IR Pedestrian Projesi: Python(Pytorch) ile Deep Residual Basic Block
      • IR Pedestrian Projesi: Python(Pytorch) ile Deep Residual Network Layer
      • IR Pedestrian Projesi: Python(Pytorch) ile Deep Residual Network Modeli
      • IR Pedestrian Projesi: Python(Pytorch) ile ResNet Loss Fonksiyonu ve Optimizer
      • IR Pedestrian Projesi: Python(Pytorch) ile ResNet Eğitimi
      • IR Pedestrian Projesi: Python(Pytorch) ile ResNet Sonuçlar
      • Deep Residual Networks Sonuç
    • Transfer Learning
      • Transfer Learning Giriş
      • Transfer Learning Nedir?
      • Transfer Learning Örnekleri
      • Fruit360 Projesi: Dataset Tanıtımı
      • Fruit360 Projesi: Python(Keras) ile VGG16 Modeli
      • Fruit360 Projesi: Python(Keras) ile VGG16 Modeli Train ve Test
      • Fruit360 Projesi: Python(Keras) ile VGG16 Modeli Sonuçlar
      • CIFAR10 Ödev: Python(Keras) ile VGG19 Modeli
      • CIFAR10 Ödev: Dataset Tanıma
      • CIFAR10 Ödev: Dataset Preprocess
      • CIFAR10 Ödev: Python(Keras) ile VGG19 Modeli Train
      • CIFAR10 Ödev: Python(Keras) ile VGG19 Modeli Sonuçlar
      • Transfer Learning Sonuç
    • Autoencoders
      • Autoencoders Giriş
      • Autoencoders Nedir?
      • Fashion MNIST Projesi: Dataset Tanıtımı
      • Fashion MNIST Projesi: Python(Keras) ile Autoencoders Modeli Train
      • Fashion MNIST Projesi: Python(Keras) ile Autoencoders Modeli Sonuçlar-1
      • Fashion MNIST Projesi: Python(Keras) ile Autoencoders Modeli Sonuçlar-2
      • Autoencoders Sonuç
    • Generative Adversarial Networks (GANs)
      • GANs Giriş
      • GANs Nedir 1?
      • GANs Nedir 2?
      • GANs Kullanım Alanları
      • MNIST Projesi: GANs Dataset Tanıtımı
      • MNIST Projesi: Python(Keras) ile GANs Generator Modeli
      • MNIST Projesi: Python(Keras) ile GANs Discriminator Modeli
      • MNIST Projesi: Python(Keras) ile GANs Modeli
      • MNIST Projesi: Python(Keras) ile GANs Eğitim
      • MNIST Projesi: Python(Keras) ile GANs Sonuçlar
      • GANs Sonuç
    • İleri Seviye Derin Öğrenme Sonuç
      • Sonuç
    • BONUS
      • İNDİRİM: TÜM DERSLER
    • EK-1: Convolutional Neural Network (CNN)
      • Gözden Geçirme/Opsiyonel Ders
      • CNN LİNK
      • Convolutional Neural Network Genel Bakış
      • Dataset ve CNN Kernel
      • Loading Data Set
      • Normalization - Reshape - Label Encoding
      • Train - Test Split
      • Convolutional Neural Network (CNN)
      • Convolution Operation Nedir
      • Same Padding
      • Max Pooling
      • Flattening
      • Fully Connected
      • CNN Implementing with Keras
      • Create Model
      • Adam Optimizer
      • Compiler
      • Batch and Epoch
      • Data Augmentation
      • Fit the Model
      • Evaluate the Model
      • CNN with Pytorch

    Deep.Learning.ve.Python.Ileri.Seviye.Derin.Ogrenme.5.2.part1.rar

    Deep.Learning.ve.Python.Ileri.Seviye.Derin.Ogrenme.5.2.part2.rar

    Download


     TO MAC USERS: If RAR password doesn't work, use this archive program: 

    RAR Expander 0.8.5 Beta 4  and extract password protected files without error.


     TO WIN USERS: If RAR password doesn't work, use this archive program: 

    Latest Winrar  and extract password protected files without error.


     Turkce   |  

    Information
    Members of Guests cannot leave comments.


    Udemy - Turkce Gorsel Ogrenme Setleri - Part 2
    Udemy - Turkce Gorsel Ogrenme Setleri
    Videohive Wow Pack Series


    rss