3-month, 10-hour weekly program with flexible learning pace. 893,607 students have completed the program. Includes 5 course series covering various deep learning topics. Offers shareable certificate and LinkedIn profile enhancement
Course divided into two volumes: Supervised and Unsupervised Deep Learning. Each volume focuses on three distinct algorithms. Tutorials emphasize intuitive understanding of Deep Learning concepts
"Brick Lap" kanalının sahibi tarafından sunulan bu eğitim videosu, istatistik ve enformatik lisans ve yüksek lisansları yapmış, onbeş yıldır IT sektöründe çalışan bir sunucu tarafından hazırlanmıştır.. Video, yapay zekanın tanımı ve tarihsel gelişiminden başlayarak, günümüzdeki durumuna ve gelecekteki iş dünyasına etkisine kadar uzanan kapsamlı bir anlatım sunmaktadır. İlk bölümde yapay zekanın 1950'lerden günümüze kadar olan tarihsel gelişimi ve gerekli programlama dilleri (Python, TensorFlow, PyTorch, Keras, Pandas, Numpy, OpenCV) hakkında bilgiler verilirken, ikinci bölümde el yazısı tanıma modeli oluşturma süreci uygulamalı olarak gösterilmektedir.. Video ayrıca yapay zekanın yazılım geliştirme sürecindeki olumlu etkilerini vurgulayarak, rutin görevleri otomatikleştireceğini ve yazılımcıların yaratıcılık ve problem çözme alanlarına odaklanmalarına yardımcı olacağını belirtmektedir.
Latest stable version requires Python 3.9-3.12 and pip 19.0+. GPU support available for CUDA architectures 3.5-8.0. Ubuntu 16.04+ and macOS 12.0+ (64-bit) needed. Windows 7+ (64-bit) required for Windows Native. Windows WSL2 needs Windows 10 19044+
TensorFlow is an open source library for high-performance numerical computation. Developed by Google Brain team for machine and deep learning. Supports computation across various platforms including CPUs, GPUs, TPUs. Licensed under Apache 2.0
TensorFlow, Google Brain ekibi tarafından geliştirilen ücretsiz ve açık kaynaklı bir kütüphanedir. Derin sinir ağlarının eğitimi ve çıkarımına odaklanmaktadır. Veri akışına ve türevlenebilir programlamaya dayalı sembolik matematik kitaplığıdır. 2015'te Apache License 2.0 altında piyasaya sürülmüştür
Bu video, bir eğitim içeriği olup konuşmacı yapay zeka konusunda bilgi paylaşmaktadır. Konuşmacı, yapay zeka ile uygulama geliştirmenin başlangıç aşamasında zor olmadığını anlatmayı amaçlamaktadır.. Video, yapay zeka kavramının temel kavramlarını açıklayarak başlıyor ve özellikle "model" kavramını vurguluyor. Konuşmacı, yapay zekanın temel çalışma prensibini basit bir şekilde anlatarak, hazır eğitilmiş modellerin (pre-trained models) nasıl kullanılabileceğini açıklıyor. Google'un geliştirdiği TensorFlow kütüphanesi üzerinden, JavaScript bilen bir kişinin bile yapay zeka uygulamaları geliştirebileceğini gösteriyor. Video, yapay zekanın nimetlerini gösteren örnekler ve hazır modellerin nasıl kullanılacağını gösteren projelerle devam ediyor.
Bu video, Trendez Akademi tarafından sunulan bir eğitim dersidir. Eğitmen, yapay zeka ve derin öğrenme konularını anlatmaktadır.. Video, yapay zekanın çağımızın elektriği olduğunu vurgulayarak başlıyor ve ardından TensorFlow ve Keras kütüphanelerini kullanarak pratik bir veri analizi yapmayı gösteriyor. İçerik, veri ön işleme aşamalarından başlayarak (eksik veri kontrolü, veri setini eğitim ve test setlerine ayırma, veri normalleştirme, kategorik verileri one hot kodlama), yapay sinir ağlarının çalışma prensibini açıklayarak ve son olarak Iris veri seti üzerinde basit bir derin öğrenme modeli kurulumu, derlenmesi ve eğitilmesi sürecini adım adım anlatıyor.. Eğitim, Anaconda platformu, Jupyter Notebook ve veri görselleştirme kütüphaneleri (matplotlib, seaborn) hakkında bilgiler vererek, veri setinin nasıl import edileceği, veri yapısının nasıl inceleneceği ve görselleştirileceği konularını ele alıyor. Ayrıca, modelin performansını artırmak için layer, nöron ve epoch sayılarının nasıl değiştirilebileceği de gösterilmektedir.
Bu video, bir eğitim dersi formatında yapay sinir ağları ve nöronlar hakkında bilgi veren bir içeriktir. Eğitmen, konuyu detaylı bir şekilde anlatmaktadır.. Video, yapay sinir ağlarının ne olduğunu açıklayarak başlıyor ve insan beyninin bilgi işleme şeklini modelleyen ileri düzey hesaplama sistemlerini tanımlıyor. Daha sonra yapay sinir ağlarının temel yapı taşlarını (giriş katmanı, gizli katmanlar ve çıkış katmanı) ve nöronların çalışma prensiplerini açıklıyor. Eğitmen, konuyu günlük hayattan örneklerle (çocukun karar verme süreci) ve yapay sinir ağlarının devrimsel uygulamalarını (görüntü ve ses işleme, doğal dil işleme, oyun ve strateji geliştirme, robotik ve otomasyon) anlatarak konuyu pekiştiriyor. Video, TensorFlow playground'ı üzerinden yapay sinir ağlarının nasıl çalıştığını göstererek sona eriyor.
Framework, yazılım geliştirmek için geliştirilmiş optimize edilmiş bir yazılımdır. Geliştiricilere temel düzenlemeler sunan güvenilir ve verimli bir çerçevedir. Farklı platformlar için özel framework yazılımları mevcuttur
Bu video, derin öğrenme konusunda araştırmacı olarak çalışan Irem Kömürcü'nün sunduğu dört haftalık bir eğitim semineridir. Webinar formatında düzenlenecek olan eğitim, her perşembe günü gerçekleştirilecektir.. Eğitim, derin öğrenmenin temel kavramlarından başlayarak, yapay sinir ağları, CNN (Evrişimli Sinir Ağları), RNN (Geri Besleme Sinir Ağları) gibi ağ türlerini, veri ön işleme tekniklerini, Python kütüphanelerini (TensorFlow, Keras, Numpy, Pandas, Matplotlib, OpenCV) ve çalışma ortamlarını (Jupyter Notebook, Google Colab) kapsamlı şekilde ele almaktadır. Ayrıca, veri setlerinin nasıl bölüneceği ve uzaktan algılama görüntülerindeki farklı boyut problemlerinin çözümleri de anlatılmaktadır.. Eğitim, özellikle uzaktan algılamada derin öğrenme uygulamalarını öğrenmek isteyenler için hazırlanmıştır. İçerikte, sosyal bilimlerde derin öğrenmenin kullanımı, deprem hasar tespiti ve orman değişiklikleri gibi uygulamalar da ele alınmaktadır. Katılımcılar sorularını chat kısmından veya e-posta üzerinden sorabilirler.
Bu video, Konya Teknik Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü öğrencisi Şevval Çelik'in "Derin Öğrenme ile Şekil Vererek Karakterizasyonu" adlı projesini sunduğu bir akademik sunumdur. Proje danışmanı Dr. Öğretim Üyesi Hasan Koyuncu'dur.. Videoda, askeri ve sivil alanlarda nesne sınıflandırma ve tanımanın önemi vurgulanarak, Fast RCNN modeliyle her alanda kullanılabilecek bir şekil tanıma sisteminin oluşturulması anlatılmaktadır. Sunum, projenin test aşamasını göstermektedir. Şevval Çelik, üç farklı fotoğraf üzerinden şekil ve renk tespitini göstermekte, ardından video üzerinde aynı tespitlerin nasıl yapıldığını göstermektedir. Proje, yaklaşık 2490 fotoğraf içeren bir veri seti üzerinde TensorFlow 1.13.1 kullanılarak gerçekleştirilmiştir.
Bu video, Alp adlı bir eğitmenin yapay sinir ağları ve derin öğrenme konularında verdiği kapsamlı bir eğitim içeriğidir.. Video, yapay sinir ağlarının temel prensiplerinden başlayarak, üç katmanlı yapısı, forward propagation ve back propagation teknikleri, aktivasyon fonksiyonları ve kara kutu problemi gibi konuları ele alıyor. Ardından CNN teknikleri, TensorFlow, Keras ve PyTorch gibi kütüphaneler tanıtılarak, nesne tanıma ve el yazısı rakam tanıma gibi pratik uygulamalar gösteriliyor. Son bölümde ise MAX katmanları, filtre boyutları, eğitim parametreleri ve modelin test edilmesi konuları detaylı olarak anlatılıyor.. Videoda ayrıca veri setinin hazırlanması, eğitim ve test verilerinin ayrılması, piksel değerlerinin normalleştirilmesi ve etiketlerin kodlanması gibi temel adımlar adım adım gösteriliyor. Webcam ile çekilen video üzerinde nesne tanıma uygulaması da pratik bir örnek olarak sunuluyor.
Bu video, bir eğitmen tarafından sunulan teknik bir eğitim serisinin ikinci bölümüdür. Eğitmen, izleyicilere adım adım kodlama sürecini göstermektedir.. Video, Label Mitch programının Windows Anakonda IDE'si üzerinden kurulumunu ve veri setinin hazırlanmasını anlatmaktadır. İlk bölümde Chrome eklentisi kullanılarak "mask" adlı bir nesne için veri seti oluşturulurken, ikinci bölümde XML dosyalarının CSV formatına dönüştürülmesi ve ardından bu CSV dosyalarının TF Record formatına dönüştürülmesi gösterilmektedir.. Eğitim serisi, bir sonraki videoda hazır bir SSD modeli üzerinden eğitim yapılacağı ve daha sonra 450 fotoğraflı bir video setinin nasıl oluşturulacağı anlatılacağı bilgisiyle devam edecektir.
Bu videoda, konuşmacı kendi geliştirdiği kriptopara fiyat tahmin eden ve otomatik alım-satım yapan yazılımını tanıtmaktadır.. Video, konuşmacının Google'nın TensorFlow kütüphanesi ve LSTM yöntemi kullanarak geliştirdiği kripto para fiyat tahmin yazılımının nasıl çalıştığını göstermektedir. Yazılım, Binance borsası API'si üzerinden BNB, TRON ve USDT dolar ile işlem yapabilmektedir. Konuşmacı, yazılımın bir haftalık test sonuçlarını paylaşarak (ne kar ne zarar) ve daha sonra yapılan geliştirmeleri göstermektedir. Video sonunda, yazılımın 2 Mayıs'ta 50,74 dolarlık başlangıç bakiyesiyle nasıl çalışacağını izleyicilere göstermeyi vaat ederek sona ermektedir.
Bu video, bir canlı yayın formatında olup, sunucu ve konuklar (Fethi, Nisa, Yusuf ve Mert) arasında geçen bir sohbeti içermektedir. Konuklar arasında yapay zeka alanında deneyimli eğitmenler ve mühendisler bulunmaktadır.. Video, TensorFlow geliştirici sertifikası alma sürecini kapsamlı şekilde ele almaktadır. İlk olarak konukların kariyer hikayeleri anlatılmakta, ardından TensorFlow'un ne olduğu, neden kullanılabileceği ve sertifikasyon programının detayları sunulmaktadır. Sınav süreci, gerekli beceriler, sınav formatı ve hazırlık önerileri hakkında bilgiler verilmektedir.. Videoda ayrıca sertifikanın avantajları (komünite erişimi, yetkinlik artışı, kariyer fırsatları), sınav için gerekli teknik bilgiler, veri bilimi ve istatistik konularının önemi vurgulanmaktadır. Python öğrenmenin kolaylığı, temel istatistik ve lineer cebir bilgisinin önemi ve yapay zeka alanına yeni başlayanlar için yol haritası önerileri de paylaşılmaktadır. Video, kitap çekilişi ile sona ermektedir.
Bu video, Murat Karakaya tarafından sunulan bir eğitim içeriğidir. Konuşmacı, yapay zeka ve makine öğrenmesi konularında Türkçe ve İngilizce içerikler hazırlayan bir akademisyendir.. Videoda, Türkçe dua ve beddua sınıflandırması için dört farklı neural network modelinin geliştirilmesi ve karşılaştırılması ele alınmaktadır. İçerik, metin temsil etme yöntemleri (one hot encoding, integer kodlama, word embedding), corpus oluşturma, tokener kullanımı ve veri ön işleme adımlarını detaylı olarak göstermektedir. Ayrıca, kelimelerin sekiz boyutlu vektörlere dönüştürülmesi ve bu vektörlerin üç boyutlu uzaya projeksiyonu ile PCA ve TS metodu kullanılarak kelimelerin pozitif ve negatif anlamlı olarak sınıflandırılması da gösterilmektedir.. Konuşmacı, veri setinin çok az sayıda olduğu için sonuçların genel geçer kurallar olarak düşünülmemesi gerektiğini vurgulamakta ve beşinci bir model olarak ethereal layer'ı da kullanmayı tavsiye etmektedir. Video, TensorFlow'un Project Tensorboard kullanarak word embedding ağırlıklarını görselleştirme yöntemi de içermektedir.