Akademik Dersler - İçerik

Makine öğrenmesinin temel teorik kavramlarını ve optimizasyon algoritmalarını matematiksel temelleriyle açıklayabilir.
Denetimli (supervised) ve denetimsiz (unsupervised) öğrenme paradigmalarını ayırt edebilir ve doğru problem tipleriyle eşleştirebilir.
Hata/maliyet fonksiyonlarının yapısını ve Gradyan İnişi optimizasyonunun arkasındaki kalkülüs temellerini ifade edebilir.
Temel makine öğrenmesi algoritmalarını, hazır kütüphaneler kullanmadan sıfırdan programlayabilir.
Vektör ve matris işlemlerini bir programlama dilinde vektörize ederek kodlayabilir.
Temel mimarilerin ileri besleme ve geri yayılım adımlarını sadece lineer cebir denklemleri üzerinden koda dökebilir.
Makine öğrenmesi modellerini endüstri standardı araçlar kullanarak uygulayabilir.
Lojistik Regresyon, Destek Vektör Makineleri ve Karar Ağaçları gibi klasik makine öğrenmesi algoritmalarını verisetleri üzerinde eğitebilir.
Mesafe tabanlı K-Means algoritmasını kullanarak etiketsiz veriler üzerinde kümeleme analizi gerçekleştirebilir.
Model kalitesini bilimsel metriklerle değerlendirebilir ve veri ön işleme tekniklerini uygulayabilir.
Temel Bileşenler Analizi kullanarak özdeğer/özvektör ayrışımı ile yüksek boyutlu verileri sıkıştırabilir.
Aşırı öğrenme ve varyans-yanlılık ikilemini K-katlı çapraz doğrulama yöntemleriyle tespit edip hiperparametre optimizasyonu yapabilir.
Derin öğrenme mimarilerini modern çerçeveler ile tasarlayabilir ve eğitebilir.
Tensörleri kullanarak dinamik hesaplama grafikleri kurabilir ve otomatik diferansiyel mekanizmasını kullanabilir.
Bilgisayarlı görü, problemleri için Evrişimli Sinir Ağları veri hazırlama ardışık düzenlerini ve temel eğitim döngülerini oluşturabilir.