EĞİTİMİN İÇERİĞİ
Derin Öğrenmeye Giriş
AI, ML ve DL ilişkisi; geleneksel ML ile DL farkları, derin öğrenmenin kullanım alanları, veri hazırlama
Derin Öğrenmede Veri ve Tensor Temelleri
NumPy array; tensor kavramı; shape ve dimension; train-validation-test; normalization ve standardizasyon; TensorFlow tensor yapısı
Yapay Sinir Ağları
Biyolojik nörondan yapay nörona; input, weight, bias; layer(input,hidden,output) ve network kavramları; Dense katman; forward propagation; activation functions: ReLU, sigmoid, softmax; loss function; MSE ve cross-entropy; gradient descent; learning rate; backpropagation'ın sezgisel ve temel matematiksel açıklaması
Model Nasıl Öğrenir?
Loss function; MSE ve cross-entropy; gradient descent; learning rate; backpropagation; optimizer; SGD ve Adam; epoch, batch ve iterasyon
TensorFlow & Keras Temelleri: TensorFlow ve Keras ekosistemi; tensor oluşturma ve işlemleri; CPU/GPU kullanımı
Model Eğitme ve İyileştirme Sanatı
Underfitting ve overfitting; Dropout; L1/L2 regularization; Batch Normalization; EarlyStopping; ModelCheckpoint, hyperparameter tuning yaklaşımı
Model Değerlendirme ve Uçtan Uca Proje Geliştirme
Accuracy, precision, recall, F1-score; confusion matrix, training/validation loss; hata analizi; model kaydetme/yükleme

Eğitimde Python programı kullanılacaktır.
Eğitim zoom üzerinden gerçekleştirilecektir.

EĞİTMEN
Doç. Dr. Ezgi DEMİR

EĞİTİM TARİHLERİ
31 Ekim - 1 Kasım 2026 (2 gün 12 saat)