In this chapter, you'll become familiar with the fundamental concepts and terminology used in deep learning, and understand why deep learning techniques are so powerful today. You'll build simple neural networks and generate predictions with them.

Deep learning’e giriş

Yapay sinir ağı modellerini klasik regresyon modelleriyle karşılaştırma

İleri yayılım

İleri yayılım algoritmasını kodlama

Aktivasyon fonksiyonları

Düzeltilmiş Doğrusal Etkinleştirme Fonksiyonu

Ağını verideki birden çok gözleme/satıra uygulamak

Daha derin ağlar

Daha derin bir ağda ileri yayılım

Çok katmanlı sinir ağları

Temsiller öğrenilir

Temsil düzeyleri

Basics of deep learning and neural networks

Learn how to optimize the predictions generated by your neural networks. You'll use a method called backward propagation, which is one of the most important techniques in deep learning. Understanding how it works will give you a strong foundation to build on in the second half of the course.

The need for optimization

Calculating model errors

Understanding how weights change model accuracy

Coding how weight changes affect accuracy

Scaling up to multiple data points

Gradient descent

Calculating slopes

Improving model weights

Making multiple updates to weights

Backpropagation

The relationship between forward and backward propagation

Thinking about backward propagation

Backpropagation in practice

A round of backpropagation

Optimizing a neural network with backward propagation

In this chapter, you'll use the Keras library to build deep learning models for both regression and classification. You'll learn about the Specify-Compile-Fit workflow that you can use to make predictions, and by the end of the chapter, you'll have all the tools necessary to build deep neural networks.

Creating a Keras model

Understanding your data

Specifying a model

Compiling and fitting a model

Compiling the model

Fitting the model

Classification models

Understanding your classification data

Last steps in classification models

Using models

Making predictions

Building deep learning models with keras

Learn how to optimize your deep learning models in Keras. Start by learning how to validate your models, then understand the concept of model capacity, and finally, experiment with wider and deeper networks. 

Understanding model optimization

Diagnosing optimization problems

Changing optimization parameters

Model validation

Evaluating model accuracy on validation dataset

Early stopping: Optimizing the optimization

Experimenting with wider networks

Adding layers to a network

Thinking about model capacity

Experimenting with model structures

Stepping up to images

Building your own digit recognition model

Final thoughts

Fine-tuning keras models

Hourly wages

MNIST

Titanic

Deep learning, robotik, doğal dil işleme, görüntü tanıma ve AlphaGo gibi yapay zekâ başarılarının arkasındaki Machine Learning tekniğidir. Bu kursta, Python'da deep learning için en güncel kütüphanelerden biri olan Keras 2.0'ı kullanarak uygulamalı ve pratik bilgi edineceksin.

<h2>Derin Öğrenme Uygulamalarını Keşfedin </h2>
Derin öğrenme, robotik, doğal dil işleme, görüntü tanıma ve yapay zeka alanlarındaki en heyecan verici yeteneklerin ardında yatan makine öğrenimi tekniğidir. Bu 4 saatlik kursta, Python becerilerinizi Keras 2.0 kütüphanesi ile derin öğrenmeye nasıl uygulayacağınız konusunda uygulamalı bilgi edineceksiniz.
<br><br>
<h2>Bir kütüphane katkısı sağlayan kişiyle Keras modellerini keşfedin</h2>
Eski Google veri bilimcisi ve Keras katkıcısı Dan Becker tarafından verilen bu derin öğrenme kursu, sinir ağı modellerini ve bu modellerle nasıl tahminler üretebileceğinizi ele alıyor. İlk bölümler, hem ileri hem de geri yayılım hakkında ve bunların pratikte nasıl işlediğine dair anlayışınızı geliştirecektir.
<br><br>
Keras kütüphanesi, derin öğrenme modellerini geliştirmenize ve incelemenize yardımcı olabilecek bir Python kütüphanesidir. Birçok Python kütüphanesi gibi, bu da ücretsiz, açık kaynaklı ve son derece kullanıcı dostudur. Öncelikle bir Keras modeli oluşturacak ve tahminlerde bulunmadan önce bu modeli derlemeyi, uyarlama ve sınıflandırmayı öğreneceksiniz. Bu kursu tamamladığınızda, derin sinir ağları oluşturmak için ihtiyacınız olan tüm araçlara sahip olacak ve zamanla daha geniş ve daha derin ağlarla denemeler yapmaya başlayabileceksiniz.
<br><br>
<h2>Derin Öğrenmeyi Daha Derinlemesine İncelemek</h2>
Bu ders, çeşitli makine öğrenimi ve derin öğrenme programlarının bir parçasıdır. Giriş dersini tamamladıktan sonra, ister kişisel bir proje gerçekleştirmek ister Makine Öğrenimi Uzmanı olarak kariyerine adım atmak iste, bu alanda beceri ve deneyimini geliştirmek için sana net bir yol haritası sunar.

Supervised Learning with scikit-learn

Python ile Derin Öğrenme kursumuza katılın. Keras 2.0 ile NLP, görüntü tanıma ve AI öğrenin.

Python ile Deep Learning'e Giriş

Python'da Keras 2.0 kullanarak sinir ağlarının temellerini ve derin öğrenme modellerinin nasıl oluşturulacağını öğrenin. 

Yapay sinir ağı modellerini klasik regresyon modelleriyle karşılaştırma

Python ile Deep Learning'e Giriş

Uygulamalı interaktif egzersiz