www.aliosmangokcan.com

Dersin Amacı: Farklı tip verilerden elde edilen üst düzey özellikleri derin mimarilerden yararlanarak öğrenmek için kullanılabilecek yöntemlerinin sunulması ve bu yöntemlerin görüntü tanımadan robot kontrolüne kadar farklı amaçlar için nasıl uygulanabileceğinin gösterilmesi.

Dersin İçeriği: Derin öğrenmenin tarihçesi ve teorik avantajları, Derin öğrenme için kullanılabilecek temel yapay sinir ağı mimarileri ve öğrenme algoritmaları, Dağıtık Modellerin Düzenlenmesi, Derin Modellerin Eğitimi için Optimizasyon Teknikleri, Konvolüsyonel ağlar, Geri beslemeli ve özyineli ağlar, Otomatik Kodlayıcılar ve Lineer Faktör Modelleri, Temsil Yoluyla Öğrenme, Derin Üretken Modeller – Boltzman Makineleri.

Dersin Öğrenim Çıktıları: 

  1. Öğrenciler etkinliği açısından yaygın derin öğrenme yöntemlerini değerlendirebilir.
  2. Öğrenciler kullanılması düşünelen derin öğrenme yönteminin avantaj ve dezavantajlarını değerlendirebilir.
  3. Öğrenciler temel derin öğrenme çözümleri tasarlayıp sınayabilir.
  4. Öğrenciler öngörülen çözüm için uygun derin öğrenme mimarisi ve algoritmasını belirleyip uygular.
  5. Öğrenciler derin modellerin düzenlenmesi ve optimizasyon yöntemleri hakında bilgi sahibidir.

Web sitemde yer alan yapay sinir ağları, makine öğrenmesi, bulanık mantık ve derin öğrenme uygulamalarının çoğu Matlab ve Matlab araçları ile gerçekleştirilmiştir. Ancak yapay sinir ağı uygulamaları için tercih edilen diğer bir seçenek ise Pyhton'dur.

Pyhton nesne yönelimli, yorumlamalı, birimsel ve etkileşimli yüksek seviyeli bir programlama dilidir. Veri bilimi ve yapay zeka ile ilgilenen bir çok kişi gelişmiş kütüphanelerinden dolayı Pyhton'u tercih etmektedir. Benim Phyton ile Derin öğrenme uygulamaları deneyimim olmasa da ilgisi olanlar için bulduğum Sebastian Raschka'ya ait ders notlarını paylaşmak istedim...

 Derin Öğrenme Ders Notu - Deep Learning PDF - Deep Learning Notları

1- Makine Öğrenimi ve Derin Öğrenme nedir? Genel Bakış. - What are Machine Learning and Deep Learning? An Overview.
2- Sinir Ağları ve Derin Öğrenme Tarihinin Kısa Bir Özeti. - A Brief Summary of the History of Neural Networks and Deep Learning. 
3- Algılayıcı. - The Perceptron. 
4- Derin Öğrenme için Doğrusal Cebir. - Linear Algebra for Deep Learning.
5- Nöronları Gradyan İnişe Uydurma. - Fitting Neurons with Gradient Descent.
6- PyTorch ile Otomatik Farklılaştırma. - Automatic Differentiation with PyTorch.
7- Bulut bilişim. - Cloud Computing.
8- Lojistik Regresyon ve Çok Sınıflı Sınıflandırma. - Logistic Regression and Multi-class Classification.


9- Çok Katmanlı Algılayıcılar. - Multilayer Perceptrons.
10- Düzenlilik. - Regularization.
11- Normalleştirme ve Ağırlık Başlatma. - Normalization and Weight Initialization.
12- Öğrenme Hızları ve Optimizasyon Algoritmaları. - Learning Rates and Optimization Algorithms.
13- Evrişimli Sinir Ağlarına Giriş. - Introduction to Convolutional Neural Networks. PART 1 -- PART 2 -- PART 3
14- Tekrarlayan Sinir Ağlarına Giriş. - Introduction to Recurrent Neural Networks. PART 1 --  PART 2
15- Otomatik kodlayıcılara giriş. - Introduction to Autoencoders.
16- Üretken Çekişmeli Ağlar. - Generative Adversarial Networks.

Önerilen Diğer Kaynaklar:

  • Yoshua Bengio, Ian J. Goodfellow and Aaron Courville, “ Deep Learning”, Book in preparation for MIT Press, http://www.iro.umontreal.ca/~bengioy/dlbook, 2015.
  • Yoshua Bengio, “Learning Deep Architectures for AI”, Foundations and Trends in Machine Learning: Vol. 2: No. 1, pp 1-127, 2009.
  • Li Deng and Dong Yu, "Deep Learning: Methods and Applications", Foundations and Trends in Signal Processing: Vol. 7: No. 3–4, pp 197-387, 2014.

'derin öğrenme nedir', 'derin öğrenme ders notları', 'deep learning nedir', 'deep learning kitabı', 'deep learning pdf', 'derin öğrenme pdf', 'pytorch derin öğrenme', 'pytorch deep learning', 'derin öğrenme notları', 'deep learning notları', 'derin öğrenme dersi', 'deep leraning dersi', 'Makine Öğrenimi ve Derin Öğrenme nedir','Sinir Ağları ve Derin Öğrenme','Perceptron','Derin Öğrenme için Doğrusal Cebir','Nöronları Gradyan İnişe Uydurma','PyTorch ile Otomatik Farklılaştırma',Pytorch,'Bulut bilişim', Lojistik Regresyon','Çok Sınıflı Sınıflandırma','Çok Katmanlı Algılayıcılar','Normalleştirme ve Ağırlık Başlatma','Öğrenme Hızları ve Optimizasyon Algoritmaları','Evrişimli Sinir Ağları','Tekrarlayan Sinir Ağları', 'Otomatik kodlayıcılar', 'Üretken Çekişmeli Ağlar'

Yukarıdaki kaynaklara ekl olarak yapay sinir ağı (artificial neural network) ve derin öğrenme (deep learning) üzerine ders notu, döküman vb materyal arayışına girmiş olanlar için rehber niteliğinde bir e-book daha buldum ve burada paylaşmak istedim. 

Yapay sinir ağı ders notu, yapay sinir ağı dökümanları, yapay sinir ağı kitap, derin öğrenme ders notu, derin öğrenme dökümanları, derin öğrenme kitap, artificial neural network e-book, deep learning e-book, deep learning e-kitap, deep learning pdf, artificial neural network pdf aramalarının cevabı niteliğinde bulduğum dökümanlardan biri olan bu kitabın size neleri öğreteceğini yazar  Michael Nielsen'in ifadeleriyle yazalım:

  • Sinir ağları, bir bilgisayarın gözlemsel verilerden öğrenmesini sağlayan, biyolojik olarak ilham alan güzel bir programlama paradigması
  • Derin öğrenme, sinir ağlarında öğrenme için güçlü bir teknikler dizisi

Sinir ağları ve derin öğrenme şu anda görüntü tanıma, konuşma tanıma ve doğal dil işlemedeki birçok soruna en iyi çözümleri sağlıyor. Bu kitap size sinir ağlarının ve derin öğrenmenin arkasındaki temel kavramların çoğunu öğretecek.

Sinir ağları, şimdiye kadar icat edilmiş en güzel programlama paradigmalarından biridir. Geleneksel programlama yaklaşımında, bilgisayara ne yapması gerektiğini söyleyerek büyük sorunları bilgisayarın kolayca gerçekleştirebileceği çok sayıda küçük, kesin olarak tanımlanmış göreve böleriz. Aksine, bir sinir ağında bilgisayara sorunumuzu nasıl çözeceğini söylemiyoruz. Bunun yerine, gözlemsel verilerden öğrenir ve eldeki soruna kendi çözümünü bulur.

Verilerden otomatik olarak öğrenmek umut verici geliyor. Ancak, 2006 yılına kadar, birkaç özel sorun dışında, daha geleneksel yaklaşımları aşmak için sinir ağlarını nasıl eğiteceğimizi bilmiyorduk. 2006'da değişen şey, sözde derin sinir ağlarında öğrenme tekniklerinin keşfedilmesiydi. Bu teknikler artık derin öğrenme olarak biliniyor. Daha da geliştirildi ve bugün derin sinir ağları ve derin öğrenme, bilgisayarla görme, konuşma tanıma ve doğal dil işlemede birçok önemli sorun üzerinde olağanüstü performans elde ediyor. Google, Microsoft ve Facebook gibi şirketler tarafından büyük ölçekte kullanılıyorlar.

Bu kitabın amacı, derin öğrenme için modern teknikler de dahil olmak üzere sinir ağlarının temel kavramlarında ustalaşmanıza yardımcı olmaktır. Kitap üzerinde çalıştıktan sonra, karmaşık örüntü tanıma problemlerini çözmek için sinir ağlarını ve derin öğrenmeyi kullanan bir kod yazmış olacaksınız. Ve kendi tasarladığınız sorunlara saldırmak için sinir ağlarını ve derin öğrenmeyi kullanmak için bir temele sahip olacaksınız.

İLKE ODAKLI BİR YAKLAŞIM

Kitabın altında yatan inançlardan biri, uzun bir fikir listesinin bulanık bir şekilde anlaşılmasından ziyade, sinir ağları ve derin öğrenmenin temel ilkeleri hakkında sağlam bir anlayış elde etmenin daha iyi olduğudur. Temel fikirleri iyi anladıysanız, diğer yeni materyalleri de hızla anlayabilirsiniz. Programlama dili terimleriyle, yeni bir dilin temel sözdizimine, kitaplıklarına ve veri yapılarına hakim olduğunu düşünün. Hala toplam dilin yalnızca küçük bir bölümünü "biliyor" olabilirsiniz - birçok dilde muazzam standart kitaplıklar vardır - ancak yeni kitaplıklar ve veri yapıları hızlı ve kolay bir şekilde anlaşılabilir.

Bu, kitabın belirli bir sinir ağı kitaplığının nasıl kullanılacağına dair kesinlikle bir öğretici olmadığı anlamına gelir. Çoğunlukla bir kütüphanede kendi yolunuzu öğrenmek istiyorsanız, bu kitabı okumayın! Öğrenmek istediğiniz kütüphaneyi bulun ve eğitimler ve belgeler üzerinde çalışın. Ancak uyarılmalıdır. Bunun acil bir problem çözme getirisi olsa da, sinir ağlarında gerçekte neler olup bittiğini anlamak istiyorsanız, bundan yıllar sonra hala geçerli olacak içgörüler istiyorsanız, o zaman sadece sıcak bir kitaplık öğrenmek yeterli değildir. Sinir ağlarının nasıl çalıştığının altında yatan dayanıklı, kalıcı içgörüleri anlamanız gerekir. Teknolojiler gelir ve teknolojiler gider, ancak anlayış sonsuzdur.

UYGULAMALI BİR YAKLAŞIM

Somut bir soruna saldırarak sinir ağlarının ve derin öğrenmenin ardındaki temel ilkeleri öğreneceğiz: bir bilgisayara el yazısıyla yazılmış rakamları tanımayı öğretme sorunu. Bu problemin geleneksel programlama yaklaşımı kullanılarak çözülmesi son derece zordur. Yine de, göreceğimiz gibi, basit bir sinir ağı kullanılarak, sadece birkaç on satır kodla ve hiçbir özel kitaplık olmadan oldukça iyi bir şekilde çözülebilir. Dahası, programı birçok yinelemeyle geliştireceğiz ve yavaş yavaş sinir ağları ve derin öğrenme hakkındaki temel fikirleri giderek daha fazla birleştireceğiz.

Bu uygulamalı yaklaşım, kitabı okumak için biraz programlama deneyimine ihtiyacınız olacağı anlamına gelir. Ancak profesyonel bir programcı olmanıza gerek yok. Kodu Python'da (sürüm 2.7) yazdım, Python'da programlamasanız bile, biraz çabayla anlaşılması kolay olacaktır. Kitap boyunca, deney yapmak ve anlayış oluşturmak için kullanabileceğiniz küçük bir sinir ağı kitaplığı geliştireceğiz. Tüm kod buradan indirilebilir . Kitabı bitirdikten sonra veya okuduktan sonra, üretimde kullanılması amaçlanan daha fazla özellikli tam sinir ağı kitaplığından birini kolayca alabilirsiniz.

İlgili bir kayda göre, kitabı okumanın matematiksel gereksinimleri mütevazıdır. Çoğu bölümde biraz matematik var, ancak bu genellikle sadece temel cebir ve çoğu okuyucunun kabul edeceğini umduğum fonksiyonların çizimleri. Bazen daha ileri matematik kullanıyorum, ancak materyali yapılandırdım, böylece bazı matematiksel detaylar sizden kaçsa bile takip edebilirsiniz. Daha ağır matematiği yoğun olarak kullanan bir bölüm , biraz çok değişkenli matematik ve doğrusal cebir gerektiren Bölüm 2'dir . Bunlar tanıdık gelmiyorsa, 2. Bölüme matematikte nasıl gezineceğimi tartışarak başlıyorum . Eğer gerçekten ağır geliyorsa, özete geçebilirsiniz. bölümün ana sonuçları. Her durumda, başlangıçta bunun için endişelenmenize gerek yok.

Bir kitabın hem ilke odaklı hem de uygulamalı olmayı hedeflemesi nadirdir. Ancak, sinir ağlarının temel fikirlerini oluşturursak en iyi şekilde öğreneceğinize inanıyorum. Yalnızca soyut teoriyi değil, keşfedip genişletebileceğiniz bir kod değil, yaşayan kod geliştireceğiz. Bu şekilde hem teoride hem de pratikte temelleri anlayacak ve bilginize daha fazla katkıda bulunmaya hazır olacaksınız.

KİTAPTAKİ EGZERSİZLER VE PROBLEMLER HAKKINDA BİLGİLENDİRME

Teknik kitapların, yazarın okuyucuların alıştırmaları ve problemleri yapması gerektiğine dair bir uyarı içermesi alışılmadık bir durum değildir. Bu tür uyarıları okuduğumda kendimi her zaman biraz tuhaf hissediyorum. Egzersizleri ve problemleri yapmazsam başıma kötü bir şey gelecek mi? Tabii ki değil. Biraz zaman kazanacağım, ama derinlemesine anlayış pahasına. Bazen buna değer. Bazen değil.

Peki bu kitapta yapmaya değer ne var? Benim tavsiyem, egzersizlerin çoğunu gerçekten denemeniz ve problemlerin çoğunu yapmamayı hedeflemenizdir .

Egzersizlerin çoğunu yapmalısınız çünkü bunlar, materyali anladığınızla ilgili temel kontrollerdir. Bir egzersizi nispeten kolay çözemezseniz, muhtemelen temel bir şeyi kaçırmışsınızdır. Elbette, ara sıra bir egzersize takılırsanız, devam edin - bu sizin açınızdan küçük bir yanlış anlaşılmadır, ya da belki de bir şeyi kötü ifade etmişimdir. Ancak egzersizlerin çoğu zorluysa, muhtemelen daha önceki bazı materyalleri tekrar okumanız gerekir.

Sorunlar başka bir konudur. Egzersizlerden daha zordur ve muhtemelen bazı problemleri çözmek için mücadele edeceksiniz. Bu can sıkıcı bir durum, ama elbette böyle bir hayal kırıklığı karşısında sabır, bir konuyu gerçekten anlamanın ve içselleştirmenin tek yoludur.

Bununla birlikte, tüm sorunları çözmeyi önermiyorum. Daha da iyisi, kendi projenizi bulmaktır. Belki de müzik koleksiyonunuzu sınıflandırmak için sinir ağlarını kullanmak istiyorsunuz. Veya hisse senedi fiyatlarını tahmin etmek için. Ya da her neyse. Ama önemsediğiniz bir proje bulun . O zaman kitaptaki sorunları görmezden gelebilir veya bunları kendi projeniz üzerinde çalışmak için ilham kaynağı olarak kullanabilirsiniz. Önem verdiğiniz bir projeyle mücadele etmek, size herhangi bir sayıda set problemi üzerinde çalışmaktan çok daha fazlasını öğretecektir. Duygusal bağlılık, ustalığa ulaşmanın anahtarıdır.

Yapay sinir ağı kitap, derin öğrenme kitap, artificial neural network e-book, deep learning e-book, deep learning e-kitap, deep learning pdf, artificial neural network pdf--->  İNDİR

NOT : Sitede, yapay sinir ağı, yapay sinir ağları nelerdir, derin öğrenme nedir, deep learning nedir, bulanık mantık nedir, fuzzy logic nedir, yapay sinir ağları uygulamaları, makine öğrenmesi, yapay sinir ağı algoritmaları, makine öğrenmesi ve derin öğrenme, regresyon, machine learning nedir, matlab, matlab örnekleri, matlab machine learning gibi soruların cevaplarına yönelik içerikler yer almaktadır. 'Yapay sinir ağı’, ‘yapay sinir ağları nedir’, ‘derin öğrenme nedir’, ‘deep learning nedir’,'Yapay sinir ağı ders notu', 'yapay sinir ağı dökümanları', 'yapay sinir ağı kitap', 'derin öğrenme ders notu', 'derin öğrenme dökümanları', 'derin öğrenme kitap', 'artificial neural network e-book', 'deep learning e-book', 'deep learning e-kitap', 'deep learning pdf', 'artificial neural network pdf', ’bulanık mantık nedir’, ‘fuzzy logic nedir’, ‘yapay sinir ağları uygulamaları’, ‘makine öğrenmesi’, ‘yapay sinir ağı algoritmaları’, ‘makine öğrenmesi ve derin öğrenme’, regresyon, ‘machine learning nedir’, matlab, ‘matlab örnekleri’, ‘matlab machine learning’, 'artificial neural network'

'derin öğrenme nedir', 'derin öğrenme ders notları', 'deep learning nedir', 'deep learning kitabı', 'deep learning pdf', 'derin öğrenme pdf', 'pytorch derin öğrenme', 'pytorch deep learning', 'derin öğrenme notları', 'deep learning notları', 'derin öğrenme dersi', 'deep leraning dersi', 'Makine Öğrenimi ve Derin Öğrenme nedir','Sinir Ağları ve Derin Öğrenme','Perceptron','Derin Öğrenme için Doğrusal Cebir','Nöronları Gradyan İnişe Uydurma','PyTorch ile Otomatik Farklılaştırma',Pytorch,'Bulut bilişim', Lojistik Regresyon','Çok Sınıflı Sınıflandırma','Çok Katmanlı Algılayıcılar','Normalleştirme ve Ağırlık Başlatma','Öğrenme Hızları ve Optimizasyon Algoritmaları','Evrişimli Sinir Ağları','Tekrarlayan Sinir Ağları', 'Otomatik kodlayıcılar', 'Üretken Çekişmeli Ağlar'