Derin Öğrenme
Deep Learning

Derin Öğrenmenin Temelleri ve Matematiksel Altyapı

• • Yapay sinir ağlarının biyolojik ilhamı ve tarihsel gelişimi
• • Perceptron'dan çok katmanlı ağlara geçiş
• • Lineer cebir temelleri: matrisler, tensörler, dot product
• • Kalkülüs temelleri: türev, gradyan, zincir kuralı
• • Computational graph kavramı ve otomatik türev alma

İleri Beslemeli Ağlar ve Aktivasyon Fonksiyonları

• • Dense/Fully Connected katmanların detaylı incelemesi
• • Aktivasyon fonksiyonları: ReLU, Sigmoid, Tanh, Leaky ReLU, ELU, GELU
• • Vanishing ve exploding gradient problemleri
• • Weight initialization teknikleri: Xavier, He, LeCun
• • Batch normalization ve layer normalization

Optimizasyon Algoritmaları ve Loss Fonksiyonları

• • Gradient descent ve varyasyonları: SGD, Mini-batch GD
• • Momentum, Nesterov Accelerated Gradient
• • Adaptive learning rate: AdaGrad, RMSprop, Adam, AdamW
• • Loss fonksiyonları: MSE, Cross-entropy, Focal loss, Contrastive loss
• • Learning rate scheduling ve warm-up stratejileri

Regularizasyon ve Generalizasyon Teknikleri

• • Overfitting ve underfitting analizi
• • L1/L2 regularization, weight decay
• • Dropout, DropConnect, Spatial Dropout
• • Data augmentation stratejileri
• • Early stopping, model ensemble teknikleri

Convolutional Neural Networks (CNN) Temelleri

• • Convolution ve pooling işlemleri
• • Stride, padding, receptive field kavramları
• • CNN mimarileri: LeNet, AlexNet, VGG, ResNet, DenseNet
• • Skip connections ve residual learning
• • Depthwise separable convolutions

Recurrent Neural Networks (RNN) ve Zaman Serileri

• • Vanilla RNN ve backpropagation through time
• • LSTM (Long Short-Term Memory) detaylı analizi
• • GRU (Gated Recurrent Unit) mimarisi
• • Bidirectional RNN'ler
• • Sequence-to-sequence modelleri

Autoencoder ve Temsil Öğrenme

• • Autoencoder temel mimarisi ve çalışma prensibi
• • Denoising autoencoders
• • Sparse autoencoders
• • Variational Autoencoders (VAE)
• • Latent space analizi ve interpolation

Generative Adversarial Networks (GAN) Temelleri

• • GAN teorisi: Generator ve Discriminator
• • GAN training dinamikleri ve mode collapse
• • DCGAN (Deep Convolutional GAN)
• • Wasserstein GAN ve gradient penalty
• • Conditional GAN ve temel uygulamalar

Transfer Learning ve Fine-tuning Stratejileri

• • Pre-trained modeller ve feature extraction
• • Fine-tuning teknikleri ve layer freezing
• • Domain adaptation ve multi-task learning
• • Knowledge distillation
• • Few-shot ve zero-shot learning temelleri

Model Deployment ve Production

• • Model optimization: Quantization, pruning, compression
• • ONNX ve model conversion
• • TensorFlow Lite ve edge deployment
• • Model serving: REST API, gRPC, batch inference
• • MLOps temelleri ve model monitoring

Uygulama 1
Zaman Serisi Tahminleme Projesi

• • Finansal veri veya enerji tüketimi tahmini
• • LSTM ve GRU modellerinin karşılaştırmalı implementasyonu
• • Feature engineering ve model optimizasyonu
• • Real-time prediction pipeline kurulumu

Uygulama 2
Anomali Tespiti Sistemi

• • Autoencoder tabanlı anomali tespiti
• • Endüstriyel sensör verilerinde outlier detection
• • Threshold belirleme ve performans metrikleri
• • Production-ready API geliştirme