YAPAY ZEKA MÜHENDİSLİĞİ KAMPI - AI TEKNOLOJİLERİNE DERİN DALIŞ

EĞİTİM SÜRESİ

• Format 1
  • 5 Gün
  • Ders Süresi: 50 dakika
  • Eğitim Saati: 10:00 - 17:00

Eğitim formatında eğitimler 50 dakika + 10 dakika moladır. 12:00-13:00 saatleri arasında 1 saat yemek arası verilir. Günde toplam 6 saat eğitim verilir. 5 günlük formatta 30 saat eğitim verilmektedir.

Eğitimler uzaktan eğitim formatında tasarlanmıştır. Her eğitim için Teams linkleri gönderilir. Katılımcılar bu linklere girerek eğitimlere katılırlar. Ayrıca farklı remote çalışma araçları da eğitmen tarafından tüm katılımlara sunulur. Katılımcılar bu araçları kullanarak eğitimlere katılırlar.

Eğitim yapay zeka destekli kendi kendine öğrenme formasyonu ile tasarlanmıştır. Katılımcılar eğitim boyunca kendi kendine öğrenme formasyonu ile eğitimlere katılırlar. Bu eğitim formatı sayesinde tüm katılımcılar gelecek tüm yaşamlarında kendilerini güncellemeye devam edebilecekler ve her türlü sorunun karşısında çözüm bulabilecekleri yeteneklere sahip olacaklardır.

YAPAY ZEKA MÜHENDİSLİĞİ KAMPI

Yapay Zeka: Akıllı, Esnek ve Geleceği Şekillendiren Teknoloji Platformu Dijital çağda problem çözmeyi hızlandırmak ve yenilikçi çözümler sunmak, modern dünyanın temel ihtiyaçlarındandır. Yapay Zeka (AI), veri odaklı yaklaşımı ve öğrenme kapasitesiyle en güçlü teknolojilerden biridir. Açık kaynaklı araçları, geniş kütüphane desteği ve Python gibi dillerle uyumu sayesinde AI, mühendislere esneklik ve yaratıcılık sunar. AI’nın “Bir kez öğren, her alanda uygula” prensibi, modellerin farklı problemlerde etkili çözümler üretmesini sağlar.

Yapay zeka geliştirme süreçlerinde, AI’nın sunduğu güçlü algoritmalar ve büyük topluluk desteği, kullanıcıların iş ihtiyaçlarına yönelik akıllı çözümler tasarlamalarına olanak tanır. Otomasyondan doğal dil işlemeye kadar geniş bir yelpazede yenilikler sunar.

NEDEN YAPAY ZEKA?

• Gelişen Teknoloji: Yapay zeka, teknoloji dünyasında hızla gelişen bir alan olup, endüstrilerdeki dönüşümü hızlandırmaktadır. AI uygulamaları, otomatikleşme, veri analizi ve karar destek sistemleri gibi alanlarda devrim yaratmaktadır.
• Veri Analizi ve Yorumlama Yeteneği: Yapay zeka, büyük veri setlerini analiz edebilme, modelleme yapabilme ve sonuçları yorumlayabilme yeteneği ile, insanın kavrayamayacağı karmaşık verileri bile anlamlı hale getirme imkanı sunar.
• Artan Talep ve Kariyer Fırsatları: Yapay zeka alanına olan talep her geçen gün artmakta ve bu alanda uzmanlaşmış profesyonel arayışı hızlanmaktadır. AI mühendisleri, veri bilimcileri ve makine öğrenimi uzmanları gibi kariyer fırsatları, dijital dönemde önemli bir yere sahiptir.
• İnovasyon ve Yaralışma: Yapay zeka, işletmelerin müşteri deneyimini iyileştirmelerine, ürün ve hizmetlerini kişiselleştirmelerine olanak tanır. Öneri sistemleri, sohbet botları ve otonom araçlar, AI tarafından sağlanan inovatif çözümler arasında yer almaktadır.
• Sosyal Etki ve Çözümleme: Yapay zeka, sağlık, eğitim, tarım gibi pek çok alanda sosyal problemleri çözme potansiyeline sahiptir. Örneğin, hastalık teşhisi, öğrenci başarısının artırılması veya kaynak yönetimi gibi alanlarda etkili çözümler sunar.

YAPAY ZEKÂ İLE MODERN UYGULAMALAR GELİŞTİRİN

Modern dünya, büyük veri ve otomasyonun yükselmesi ile birlikte yapay zekâ tabanlı çözümler gerektirmektedir. Yapay zekânın sunduğu olanaklar sayesinde uygulamalarınızı akıllı hale getirebilir, kullanıcı deneyimini geliştirebilir ve iş süreçlerinizi optimize edebilirsiniz.

Neden Yapay Zekâ?

• Veri Analizi ve Tahmin: Yapay zekâ, büyük veri setlerini analiz etme ve sonuçları tahmin etme yeteneği ile işletmelerin stratejik kararlar almasına yardımcı olur.
• Otomasyon ve Verimlilik: AI ile tekrarlayan görevleri otomatikleştirerek iş süreçlerini hızlandırabilir, hata oranlarını azaltabilir ve kaynak tasarrufu sağlayabilirsiniz.
• Kullanıcı Deneyimini İyileştirme: Personalizasyon ve öneri sistemleri ile kullanıcı deneyimini zenginleştirir, kullanıcıların ihtiyaçlarına yönelik çözümler sunabilirsiniz.
• Gelişmiş Makine Öğrenimi Algoritmaları: TensorFlow, PyTorch gibi güçlü kütüphaneler ile derin öğrenme tekniklerini kolayca uygulayabilir ve karmaşık problemleri çözebilirsiniz.
• Kapsamlı Topluluk ve Kaynak Desteği: Yapay zeka topluluğu geniştir ve birçok ücretsiz kaynak bulunmaktadır. Öğrenme sürecinde karşılaşacağınız zorluklar için destek almak kolaydır.

Yapay zekâ, modern uygulamalarınızı yenilikçi ve akıllı çözümlerle donatmanızı sağlar. AI ile geleceğin teknolojilerini keşfetmeye ve uygulamalarınızı bir üst seviyeye taşımaya hazır mısınız?

EĞİTİM İÇERİĞİ

Gün 1: Python’da Döngüler ve Fonksiyonlar

• For ve While Döngüleri: For döngüleriyle liste elemanları üzerinde gezinme ve while döngüleriyle koşula bağlı tekrarlar öğretilir. Katılımcılar, tekrarlayan görevleri otomatikleştirmeyi öğrenir (ör. 1’den 10’a kadar sayıları toplamak).
• Fonksiyon Tanımlama ve Kullanımı: Fonksiyonların nasıl tanımlandığı (def), parametrelerin ve geri dönüş değerlerinin kullanımı açıklanır. Katılımcılar, kodlarını modüler hale getirmeyi öğrenir (ör. bir toplama fonksiyonu).
• Denetimli ve Denetimsiz Öğrenme Algoritmaları: Lineer regresyon, lojistik regresyon (denetimli) ve k-means, DBSCAN (denetimsiz) algoritmaları öğretilir. Katılımcılar, bu algoritmaları uygulamaya başlar.

Gün 2: Veri Yapıları ve Veri Mühendisliği

• Listeler, Sözlükler ve Tuple’lar: Listeler (değişken uzunluklu diziler), sözlükler (anahtar-değer çiftleri) ve tuple’lar (değişmez diziler) öğretilir. Katılımcılar, bu yapıları veri saklama ve işleme için kullanmayı öğrenir.
• Veri Temizleme ve Büyük Veri Araçları: Veri temizleme teknikleri derinleştirilir ve Apache Spark gibi büyük veri araçlarına giriş yapılır. Katılımcılar, büyük veri setlerini işleme ve analiz etme becerisi kazanır.
• Özellik Mühendisliği ve Veri Ön İşleme Teknikleri: Veri ölçeklendirme, kategorik veri kodlama (one-hot encoding) gibi özellik mühendisliği teknikleri öğretilir. Katılımcılar, model performansını artırmayı öğrenir.

Gün 3: NLP ve Departman Uygulamaları

• NLP’ye Giriş: Doğal dil işlemenin (NLP) ne olduğu, metin ve konuşma verilerini analiz etme yöntemleri açıklanır. Katılımcılar, NLP’nin AI’daki temel rolünü anlar.
• Departman Bazında NLP Kullanımı: Pazarlamada duygu analizi, müşteri hizmetlerinde chatbotlar gibi departmanlara özel NLP uygulamaları tartışılır. Katılımcılar, iş dünyasındaki pratik örnekleri keşfeder.
• Tokenizasyon ve Durdurma Kelimeleri: Metni kelimelere ayırma (tokenizasyon) ve "ve", "veya" gibi durdurma kelimelerini filtreleme teknikleri öğretilir. Katılımcılar, metin verisini modele hazır hale getirmeyi öğrenir.
• Sentiment Analysis ve Duygu Analizi Uygulamaları: Metinlerden duygu çıkarımı (pozitif/negatif) öğretilir. Katılımcılar, basit bir duygu analizi modeli geliştirir.

Gün 4: LLM’ler ve ChatGPT

• Büyük Dil Modeli Nedir? (LLM): LLM’lerin tanımı, nasıl çalıştığı (ör. Transformer tabanlı modeller) ve AI’daki önemi açıklanır. Katılımcılar, bu modellerin ölçeğini ve kapasitesini anlar.
• ChatGPT ile Metin Üretimi: ChatGPT’nin metin üretimi, soru cevaplama ve özetleme gibi son kullanıcı odaklı yetenekleri gösterilir. Katılımcılar, bu aracı pratik bir şekilde kullanmayı öğrenir.
• Gerçek Dünya Veri Setleriyle LLM Uygulaması: Kaggle gibi açık kaynaklı veri setleriyle LLM’lerin nasıl eğitildiği veya uyarlandığı uygulamalı olarak öğretilir. Katılımcılar, gerçekçi projelerde deneyim kazanır.

Gün 5: Derin Öğrenme ve Temeller

• Derin Öğrenme Teknikleri: Convolutional Neural Networks (CNN’ler) ve Recurrent Neural Networks (RNN’ler) gibi derin öğrenme algoritmalarına giriş yapılır. Katılımcılar, görüntü ve zaman serisi verileri için bu teknikleri anlar.
• Ön Eğitim ve İnce Ayar (Pre-training & Fine-tuning): LLM’lerin önceden eğitilip belirli görevler için nasıl özelleştirildiği açıklanır. Katılımcılar, bu süreçlerin pratik uygulamasını öğrenir.
• Temel Modellerin Önemi (Foundations): Foundation models (ör. BERT, GPT) ve bunların genel amaçlı AI çözümlerindeki rolü tartışılır. Katılımcılar, bu modellerin avantajlarını kavrar.
• Keras ve TensorFlow ile Derin Öğrenme: Keras ve TensorFlow ile sinir ağı oluşturma öğretilir. Katılımcılar, basit bir derin öğrenme modeli geliştirir.
• CNN ile Görüntü İşleme: Convolutional Neural Networks ile görüntü sınıflandırma (ör. kedi/köpek tanıma) öğretilir. Katılımcılar, görüntü verisiyle çalışır.
• Model Değerlendirme ve Hiperparametre Optimizasyonu: Doğruluk, precision/recall ve grid search gibi değerlendirme teknikleri öğretilir. Katılımcılar, modellerini optimize etmeyi öğrenir.

YAPAY ZEKÂ MÜHENDİSLİĞİ EĞİTİM YÖNTEMİ

• Teorik Bilgi: Yapay zeka ve makine öğrenimi temel kavramları, modern algoritmalar ve yöntemler hakkında kapsamlı bilgi sunulacak.
• Uygulamalı Örnekler: Gerçek dünya senaryoları üzerinden yapay zeka projeleri geliştirerek, model oluşturma, hata ayıklama ve performans optimizasyonu çalışmaları yapılacak.
• Etkileşimli Tartışmalar: Katılımcıların yapay zeka ile ilgili sorularını yöneltebileceği, canlı tartışmaların ve problem çözüm oturumlarının gerçekleştirileceği interaktif seanslar düzenlenecek.
• Proje Tabanlı Öğrenme: Katılımcılar, öğrendiklerini uygulamalı bir yapay zeka projesi üzerinde çalışarak pekiştirecek ve grup projeleri ile işbirliği içinde çözüm geliştirecekler.

YAPAY ZEKÂ MÜHENDİSLİĞİ EĞİTİM YÖNTEMİ

• Teorik Bilgi: Yapay zeka temelleri, makine öğrenimi algoritmaları, doğal dil işleme ve bilgisayarlı görü gibi konular hakkında kapsamlı bilgi sunulacak.
• Uygulamalı Örnekler: Gerçek dünya senaryoları üzerinden yapay zeka projeleri geliştirerek, model oluşturma, veri analizi ve performans optimizasyonu çalışmaları yapılacak.
• Etkileşimli Tartışmalar: Katılımcıların yapay zeka ile ilgili sorularını yöneltebileceği, canlı tartışmaların ve problem çözüm oturumlarının gerçekleştirileceği interaktif seanslar düzenlenecek.
• Proje Tabanlı Öğrenme: Katılımcılar, öğrendiklerini uygulamalı bir yapay zeka projesi üzerinde çalışarak pekiştirecek, grup projeleri ile işbirliği içinde çözümler geliştirecekler.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Temel Veri Bilimi Bilgisi: İstatistik, olasılık ve temel veri analizi konularında bilgi sahibi olma.
• Programlama Dili Bilgisi: Python veya R gibi veri bilimi ile ilgili dillerde temel programlama yetkinliğine sahip olma.
• Makine Öğrenimi Temellerine Hakimiyet: Eğitim, modelleme, test ve validasyon süreçleri hakkında bilgi sahibi olma.
• Veri Yönetimi ve Veritabanları Bilgisi: SQL ve NoSQL veritabanları ile veri saklama ve yönetme konularında deneyim.
• Geliştirme Araçları ve Kütüphanelere Aşinalık: Pandas, NumPy ve scikit-learn gibi kütüphanelerde temel seviyede deneyim.
• Aktif Katılım: Soru sormaya, tartışmalara katılmaya ve deneyimlerini paylaşmaya istekli olma.
• Pratik Uygulama ve Deneyim: Gerçek yapay zeka projelerinde teorik bilgiyi pratiğe dönüştürme yetkinliği.
• Problem Çözme Yetenekleri: Karmaşık veri analiz problemlerine analitik ve yaratıcı çözümler üretebilme.
• Ekip Çalışması: İş birliği yaparak yapay zeka tabanlı çözümler geliştirme ve optimize etme becerisi.
• Performans ve Model Kalitesi Bilinci: Geliştirilen modellerin performansını ve kalitesini ön planda tutma yeteneği.