Yapay zekanın en güçlü alt dalı olan derin öğrenmenin (Deep Learning) matematiğini ve mimarisini kavramak isteyen geliştiriciler için kurgulanmıştır. Eğitimde; yapay sinir ağlarının temeli olan perceptron yapısı, backpropagation ve optimizasyon algoritmaları derinlemesine incelenir. Ayrıca görüntü işleme için CNN ve zaman serisi verileri için LSTM/GRU gibi modern ağ mimarilerinin çalışma prensipleri pratik örneklerle aktarılır.
•Perceptron ve activation functions
•Forward propagation mekanizması
•Backpropagation ve gradient descent
•Loss functions ve optimization algoritmaları
•Convolutional Neural Networks (CNN) yapısı
•Pooling, stride ve padding kavramları
•Recurrent Neural Networks (RNN) ve vanishing gradient
•LSTM ve GRU mimarileri
•Regularization teknikleri (dropout, L1/L2)
•Batch normalization ve data augmentation
•Transfer learning ile hızlı model geliştirme
•GPU kullanımı ve eğitim optimizasyonu
•Hands-on proje: Görüntü ve metin sınıflandırma