GitPlanet

Cheap and reliable Node.js hosting starts at $3/month, and $1/month static HTML hosting

Created with love in Canada, visit hostnodejs.com today

Feel like to post an Ad? Learn Details
All Projects → ayyucekizrak → Keras_ile_Derin_Ogrenmeye_Giris

ayyucekizrak / Keras_ile_Derin_Ogrenmeye_Giris

Licence: other
BTK Akademi -1 Milyon İstihdam Projesi için Merve Ayyüce Kızrak tarafından Hazırlanmıştır.

Programming Languages

Jupyter Notebook
11667 projects
python
139335 projects - #7 most used programming language

Labels

computer-visiondeep-learningartificial-intelligencegenerative-adversarial-networkkeras-tensorflowsequence-modelsderin-ogrenmeyapay-zekamakine-ogrenmesi

Projects that are alternatives of or similar to Keras ile Derin Ogrenmeye Giris

Turkce Yapay Zeka Kaynaklari
Türkiye'de yapılan derin öğrenme (deep learning) ve makine öğrenmesi (machine learning) çalışmalarının derlendiği sayfa.
Stars: ✭ 1,900 (+1643.12%)
Mutual labels:  derin-ogrenme, yapay-zeka, makine-ogrenmesi
deep-blueberry
If you've always wanted to learn about deep-learning but don't know where to start, then you might have stumbled upon the right place!
Stars: ✭ 17 (-84.4%)
Mutual labels:  generative-adversarial-network, keras-tensorflow
d2l-tr
Kod, matematik, çoklu-çerçeveler ve tartışmalar içeren etkileşimli derin öğrenme kitabı. 55 ülkede Stanford, MIT, Harvard, and Cambridge dahil 300 üniversitede kullanılmaktadır.
Stars: ✭ 23 (-78.9%)
Mutual labels:  derin-ogrenme, makine-ogrenmesi
Facial-Expression-Recognition
Facial Expression Recognition with Keras
Stars: ✭ 17 (-84.4%)
Mutual labels:  keras-tensorflow
pytorch-dann
A PyTorch implementation for Unsupervised Domain Adaptation by Backpropagation
Stars: ✭ 110 (+0.92%)
Mutual labels:  generative-adversarial-network
pytorch-CycleGAN
Pytorch implementation of CycleGAN.
Stars: ✭ 39 (-64.22%)
Mutual labels:  generative-adversarial-network
state-spaces
Sequence Modeling with Structured State Spaces
Stars: ✭ 694 (+536.7%)
Mutual labels:  sequence-models
Wasserstein2GenerativeNetworks
PyTorch implementation of "Wasserstein-2 Generative Networks" (ICLR 2021)
Stars: ✭ 38 (-65.14%)
Mutual labels:  generative-adversarial-network
csgan
Task-Aware Compressed Sensing Using Generative Adversarial Networks (published in AAAI18)
Stars: ✭ 25 (-77.06%)
Mutual labels:  generative-adversarial-network
adversarial-recommender-systems-survey
The goal of this survey is two-fold: (i) to present recent advances on adversarial machine learning (AML) for the security of RS (i.e., attacking and defense recommendation models), (ii) to show another successful application of AML in generative adversarial networks (GANs) for generative applications, thanks to their ability for learning (high-…
Stars: ✭ 110 (+0.92%)
Mutual labels:  generative-adversarial-network
ArtGAN
Tensorflow codes for our ICIP-17 and arXiv-1708.09533 works: "ArtGAN: Artwork Synthesis with Conditional Categorial GAN" & "Learning a Generative Adversarial Network for High Resolution Artwork Synthesis "
Stars: ✭ 16 (-85.32%)
Mutual labels:  generative-adversarial-network
CharacterGAN
CharacterGAN: Few-Shot Keypoint Character Animation and Reposing (Best Paper WACV 2022)
Stars: ✭ 172 (+57.8%)
Mutual labels:  generative-adversarial-network
WGAN-GP-TensorFlow
TensorFlow implementations of Wasserstein GAN with Gradient Penalty (WGAN-GP), Least Squares GAN (LSGAN), GANs with the hinge loss.
Stars: ✭ 42 (-61.47%)
Mutual labels:  generative-adversarial-network
AdversarialBinaryCoding4ReID
Codes of the paper "Adversarial Binary Coding for Efficient Person Re-identification"
Stars: ✭ 12 (-88.99%)
Mutual labels:  generative-adversarial-network
TF-Model-Deploy-Tutorial
A tutorial exploring multiple approaches to deploy a trained TensorFlow (or Keras) model or multiple models for prediction.
Stars: ✭ 51 (-53.21%)
Mutual labels:  keras-tensorflow
gan-vae-pretrained-pytorch
Pretrained GANs + VAEs + classifiers for MNIST/CIFAR in pytorch.
Stars: ✭ 134 (+22.94%)
Mutual labels:  generative-adversarial-network
Brain-MRI-Segmentation
Smart India Hackathon 2019 project given by the Department of Atomic Energy
Stars: ✭ 29 (-73.39%)
Mutual labels:  keras-tensorflow
Music-generation-cRNN-GAN
cRNN-GAN to generate music by training on instrumental music (midi)
Stars: ✭ 38 (-65.14%)
Mutual labels:  generative-adversarial-network
tiny-pix2pix
Redesigning the Pix2Pix model for small datasets with fewer parameters and different PatchGAN architecture
Stars: ✭ 21 (-80.73%)
Mutual labels:  generative-adversarial-network
py-msa-kdenlive
Python script to load a Kdenlive (OSS NLE video editor) project file, and conform the edit on video or numpy arrays.
Stars: ✭ 25 (-77.06%)
Mutual labels:  generative-adversarial-network
View All Similar Projects ➔

Keras ile Derin Öğrenmeye Giriş

Bu eğitim BTK Akademi - 1 Milyon İstihdam Projesi için Merve Ayyüce Kızrak tarafından hazırlanmıştır.

Eğitime buradan ulaşabilirsiniz.

Eğitimin tanıtım videosuna buradan ulaşabilirsiniz.

Eğitimin Amacı:

Bu eğitim baştan sona derin öğrenme temelleri üzerine hazırlanmıştır. Matematiksel teorik bilgileri uygulamalı olarak ele alan bir eğitimdir. Python programlama dili ve Keras derin öğrenme kütüphanesini araç olarak kullanan bu eğitimde uygulamaları bulut üzerinde gerçekleştirmenin kolaylığından da faydalanılacaktır. Eğitimin sonunda bilgisayarlı görü, dizi modeller, üretici modeller ile ilgili temeller uygulayabilir olunacaktır. Ayrıca derin öğrenme modellerinin iyileştirilmesi için bilinmesi gereken incelikler de dersin kapsamındadır. Kapanışta derin öğrenmenin limitleri, geleceği ve topluma etkisi hakkında da vizyon çizilmektedir.

Eğitim Gereksinimleri (Ön Koşul Beceriler):

  • Temel matematik bilgisi
  • Temel lineer cebir ve istatistik bilgisi
  • Temel Python programlama dili bilgisi
  • Temel makine öğrenmesi bilgisi

Kursu Kimler Almalı:

  • Yapay zekâ temellerini öğrenmek isteyenler
  • Derin öğrenme yöntemlerini öğrenmek isteyenler
  • Python programlama dili ve Keras kütüphanesini kullanarak derin öğrenme modelleri ile çalışmak isteyenler

Eğitim için sıkça sorulan sorular (SSS) ve yanıtlarına buradan ulaşabilirsiniz. Ayrıca konuya derinlemesine dalmak için daha fazla soru ve cevap için Yapay Zekâ ve Derin Öğrenmeye Başlama Rehberi yazıma da göz atabilirsiniz.

📺 BTK Akademi ile geçekleştidiğimiz ve eğitimn kapsamındaki YouTube sohbeti ise hemen burada 👈🏻

EĞİTİM İÇERİĞİ

BÖLÜM 1: Motivasyon ve Derin Öğrenmeye Giriş

  • Motivasyon
  • Yapay Zekâ Nedir, Tarihçesi ve Kilometre Taşları
  • Veri Nedir ve Yapay Zekâ ile İlişkisi
  • Derin Öğrenme Nedir ve Terminolojisi

BÖLÜM 2: Derin Öğrenme Alet Çantası (Uygulamalı)

  • Derin Öğrenmeyi Başarılı Yapan Farkları
  • Derin Öğrenme için Donanım, Programlama Dilleri ve Kütüphaneler
  • Derin Öğrenme için Veri ve Algoritmalar
  • Derin Öğrenme Uygulama Ortamları

BÖLÜM 3: Derin Öğrenmenin Matematiksel Temelleri (Uygulamalı)

  • Vektörler / Matrisler / Tensörler
  • Türev ve Gerekliliği
  • Stokastik Gradyan İniş ve Optimizasyon
  • Zincir Kuralı ve Geriye Yayılım Algoritması
  • MNIST Veri Kümesinde Sinir Ağı Modeli Oluşturma ve Eğitme

BÖLÜM 4: Derin Sinir Ağları (Uygulamalı)

  • Katmanlar
  • Modeller
  • Kayıp Fonksiyonları
  • Optimizasyon Algoritmaları
  • State-of-the-Art Modellerin İncelenmesi

BÖLÜM 5: Yapay Öğrenme Temelleri ve Düzenlileştirme Yaklaşımları (Uygulamalı)

  • Denetimli Öğrenme
  • Denetimsiz Öğrenme
  • Yarı-Denetimli Öğrenme
  • Pekiştirmeli Öğrenme
  • Yapay Öğrenme Temelleri ve Düzenlileştirme Yaklaşımları
  • Eğitim, Doğrulama, Test Kümelerinin Oluşturulması ve Başarı Ölçütlerinin Belirlenmesi
  • Veri Artırma
  • Aşırı Uydurma, Az Uydurma ve Erken Durdurma
  • Aktivasyon Fonksiyonları
  • Optimizasyon Algoritmalarının Belirlenmesi
  • Aktarımlı Öğrenme, Çoklu-Görev Öğrenme

BÖLÜM 6: Evrişimli Sinir Ağları (Uygulamalı)

  • Evrişimli Sinir Ağı Kullanım Alanları
  • Evrişimli Sinir Ağı Modelleme Adımları
  • Evrişimli Sinir Ağı Eğitme, Sonuçları Değerlendirme ve Görselleştirme
  • Nesne Tanıma Örnek Uygulamalar
  • Yüz Görüntülerin Duygu Tanıma Örnek Uygulamalar

BÖLÜM 7: Yinelemeli Sinir Ağları (Uygulamalı)

  • Yinelemeli Sinir Ağları Kullanım Alanları
  • Dizi Modellerin Oluşturulması
  • Uzun-Kısa Vadeli Bellek Modeller
  • Basit Yinelemeli Sinir Ağı Oluşturma
  • IMDB Verisinde RNN ve LSTM Uygulaması

BÖLÜM 8: Üretici Modeller (Uygulamalı)

  • Üretici Modellerin Kullanım Alanları
  • DeepDream
  • Stil Aktarımı
  • Değişimsel Otokodlayıcılar
  • Üretici Çekişmeli Ağlar
  • Sentetik Veri Üretimi Uygulamaları

BÖLÜM 9: İleri Seviye Derin Öğrenme Uygulamaları ve Anahtar Kavramlar (Uygulamalı)

  • Keras API Kullanımı
  • TensorBoard Görselleştirme Kütüphanesinin Kullanımı
  • Derin Öğrenme için Kilit Teknolojiler
  • Derin Öğrenme Çalışmalarında Günceli Takip Etmek için İzlenecek Yollar

BÖLÜM 10: Derin Öğrenmenin Limitleri ve Sosyal Topluma Etkisi Derin Öğrenmenin Limitleri

  • Derin Öğrenmenin Geleceği
  • Derin Öğrenmede Yanlılık ve Saldırıya Karşı Direnç İncelemesi
  • Derin Öğrenmenin Sosyal Topluma Etkisi ve Gelişmekte Olan İş Alanları

Ders içinde kullanılan teknik terimler için öneri sözlük:

Yapay Zekâ Araştırma İnisiyatifi Çevrimiçi Yapay Öğrenme Sözlüğü: https://yz-ai.github.io/sozluk Sözlük İngilizce-Türkçe ve Türkçe-İngilizce olarak arama yapmaya uygun şekilde Prof. Dr. Ethem Alpaydın’ın Yapay Öğrenme kitabındaki sözlükten kaynak alınarak hazırlanmıştır.

Tavsiye Edilen/Yardımcı Kaynaklar:

1- Yapay Zekâ ve Derin Öğrenmeye Başlama Rehberi

2- Stanford Üniversitesi Derin Öğrenme Ders Notları - Türkçe

3- Yapay Zekâ Araştırma İnisiyatifi – Türkçe Kaynaklar

4- Kapsamlı Derin Öğrenme Rehberi

5- Derin Öğrenme Kitabı

6- Keras Dokümantasyonu

7- Python ile Derin Öğrenme

Atıf Dosya Bağlantıları:

  1. Temel Kaynak
  2. Genel Kaynak
  3. Genel Kaynak
  4. 1_Motivasyon ve Derin Öğrenmeye Giriş
  5. 2_Derin Öğrenmenin Matematiksel Temelleri
  6. 4_State of the Art Modellerin İncelenmesi
  7. 4_State of the Art Modellerin İncelenmesi
  8. 4_State of the Art Modellerin İncelenmesi
  9. 4_State of the Art Modellerin İncelenmesi
  10. 4_State of the Art Modellerin İncelenmesi
  11. 4_State of the Art Modellerin İncelenmesi
  12. 5_Aktivasyon Fonksiyonları
  13. 5_Yapay Öğrenme Temelleri ve Düzenlileştirme Yaklaşımları
  14. 5_Optimizasyon Algoritmalarının Belirlenmesi
  15. 6_Evrişimli Sinir Ağları
  16. 7_Yinelemeli Sinir Ağları
  17. 7_Yinelemeli Sinir Ağları
  18. 7_Yinelemeli Sinir Ağları
  19. 7_Yinelemeli Sinir Ağları
  20. 8_Üretici Çekişmeli Ağlar
  21. 8_Üretici Çekişmeli Ağlar
  22. 8_Üretici Çekişmeli Ağlar
Note that the project description data, including the texts, logos, images, and/or trademarks, for each open source project belongs to its rightful owner. If you wish to add or remove any projects, please contact us at [email protected].