Makine öğrenmesi ve derin öğrenme süreçlerine hakim olmak isteyen geliştiriciler için tasarlanan bu eğitim, teoriden üretime uzanan kapsamlı bir yol haritası çizer. Süreç, denetimli ve denetimsiz öğrenme kavramlarıyla başlar; klasik algoritmaların (Decision Trees, SVM) incelenmesiyle devam eder. İlerleyen aşamalarda TensorFlow ve Keras kullanılarak sinir ağları, CNN ve RNN gibi derin öğrenme mimarileri kurulur ve eğitilen modellerin canlı sisteme alınması (deployment) detaylandırılır.
•Supervised vs Unsupervised Learning kavramları
•Training, validation ve test veri setleri
•Overfitting, underfitting ve bias-variance trade-off
•Linear Regression ve Logistic Regression uygulamaları
•Decision Trees ve Random Forest
•Support Vector Machines (SVM)
•K-Means Clustering ve hierarchical clustering
•Ensemble methods ve model karşılaştırma
•TensorFlow kurulumu ve Keras API
•Tensor kavramı ve temel işlemler
•Perceptron ve multi-layer neural networks
•Activation functions (ReLU, Sigmoid, Softmax)
•Loss functions ve optimizer seçimi
•Convolutional Neural Networks (CNN) ile görüntü sınıflandırma
•Recurrent Neural Networks (RNN) ve LSTM ile sequence modelleme
•Dropout, batch normalization ve regularization teknikleri
•Transfer learning ve pre-trained model kullanımı
•Hyperparameter tuning stratejileri
•TensorBoard ile model izleme ve debugging
•Model kaydetme formatları (SavedModel, H5)
•TensorFlow Serving ve production deployment
•End-to-end proje: Görüntü sınıflandırma uygulaması