Machine Learning & Deep Learning Engineer

• Yapay Zeka Nedir? 
• Yapay Zeka Temelleri
• Yapay Zeka ve Neural Networks (Yapay Sinir Ağları)
• Yapay Zeka : Altındaki Temel Bilim Nedir?
• Yapay Zeka ve Biyomimetik
• Neuron & Neural Network
• Yapay Zeka Tehlikeli mi?
• Yapay Zeka Aşamaları : Narrow AI, General AI ve Super AI
• Yapay Zeka’nın Bilimsel Temelleri
• Yapay Zeka Kışı
• Yapay Zeka’nın Kapsamı
• Yapay Sinir Ağları
• Yapay Genel Zeka (AGI)
• Yapay Zeka : Tehditler & Fırsatlar
• Yapay Zeka Devlerinin IQ Analizi
• Yapay Zekanın Kapsamı
• Yapay Zeka Alt Kavramları
• Oyun Sektöründe Yapay Zeka
• Siber Güvenlik Sektöründe Yapay Zeka
• Yapay Zeka Görev Tanımları
• Kolektif Zeka : SWARM AI & SWARM Intelligence
• Yapay Zeka Teknik ve Teknolojilerine Genel Bakış
• Bir Yapay Zeka Projesini Geliştirmek
• Yapay Zeka İçin Programlama Dilleri Analiz ve Öneriler
• Yapay Zeka Uygulama Geliştirme Odaklı Open Source Kütüphaneler
• Yapay Zekaya Donanımsal Bakış
• Labeling ve Data Augmentation
• Dataset Nedir ve Güncel Dataset Kaynakları
• Google Colab Nedir?
• Yapay Zeka Uygulama Geliştirme Araçları

• NumPy, TensorFlow ve PyTorch’a Genel Bakış
• NumPy’ın Önemi: Computational Intelligence, TensorFlow ve PyTorch ile İlişkisi
• NumPy
• NumPy’a Genel Bakış
• NumPy Temelleri
• Array ve Vektör
• Matrix Operasyonları
• Indexing & Slicing
• Manipulation
• Array Programming
• Standard Deviation & Variance
• Reshape & Transpose
• Dot Product Vs. Element Wise
• Karşılaştırma Operatörleri
• Sorting Array
• Resimleri NumPy Array’e Dönüştürmek
• İleri NumPy Programlama Teknikleri
• Pandas
• Pandas’a Genel Bakış
• Series, Data Frame ve CSV
• Pandas ile Veriyi İncelemek
• Pandas ile Veriyi Seçmek ve Görüntülemek
• Veri Manipülasyonu
• İleri Pandas Programlama Teknikleri
• Matplotlib
• Matplotlib’e Genel Bakış
• Matplotlib ile Veri Görselleştirme Projeleri Geliştirmek
• TensorFlow Vs. PyTorch
• Tensor Nedir?
• Array Varken Neden Tensor?
• TensorFlow (2.x)
• TensorFlow’a Genel Bakış
• TensorFlow Mimarisi : TensorFlow Nasıl Çalışır?
• Tensor Operasyonları
• Matrix Multiplication
• Tensor Aggregation
• TensorFlow ile Programlama
• PyTorch
• PyTorch’a Genel Bakış
• PyTorch Mimarisi : PyTorch Nasıl Çalışır?
• NumPy Bridge, Tensor Concatenation ve Dimension
• Automatic Differentiation
• PyTorch ile Programlama

• Machine Learning’e Genel Bakış
• Machine Learning Kullanım Senaryoları
• Machine Learning Algoritmaları
• Machine Learning Uygulama Geliştirme Temelleri
• Veri Önişleme Nedir ve Neden Kullanılır?
• Veri Önişleme Yöntemleri
• Proje : Veri Önişleme Uygulaması Geliştirmek
• Regression
• Regression Algoritması
• Regression Algoritması Kullanım Alanları
• Proje : Regression Uygulaması Geliştirmek
• Classification
• Classification Algoritması
• Classification Algoritması Kullanım Alanları
• Proje : Classification Uygulaması Geliştirmek
• Clustering
• Clustering Algoritması
• Clustering Algoritması Kullanım Alanları
• Proje : Clustering Uygulaması Geliştirmek 

• Computer Vision’a Genel Bakış
• Computer Vision Kullanım Senaryoları
• Computer Vision Temelleri
• Images & Pixels
• Computer Vision Araçları
• OpenCV
• Diğerleri…
• OpenCV ile Computer Vision Temelleri
• Proje : Edge Detection
• Proje : Line Detection
• Proje : Circle Detection
• Proje : Background Subtraction
• Proje : Photo Denoising
• Proje : Face Recognition (Yüz Tanıma)
• Face Recognition’a Genel Bakış
• Face Datasets
• Resimlerin Önişlenmesi (Preprocessing)
• Yüz Noktalarını (Face Points) Tespit Etmek
• Yüzler Arası Mesafeleri Hesaplamak
• Proje : Face Recognition Uygulaması Geliştirmek
• Proje : Object Tracking (Nesne Takibi)
• Object Tracking’e Genel Bakış
• Object Tracking Vs. Object Detection
• Optical Flow Object Tracking
• OpenCV DNN (Deep Neural Network) Module
• OpenCV DNN Module Genel Bakış
• Challange : OpenCV DNN Modülü ile Deep Neural Network Uygulaması

• Deep Learning’e Genel Bakış
• AI vs. ML vs. DL
• Deep Learning Kullanım Senaryoları
• Neural Networks (Yapay Sinir Ağları)
• Perceptron
• Overfitting & Underfitting
• Artificial Neural Network (ANNs)
• Neural Network’e Genel Bakış
• Artificial Neural Network Architecture
• Gradient Descent ve Learning Rate
• Weight & Bias
• Activation Function
• Backpropagation
• Hidden ve Output Layer
• Error Calculation : Loss Function
• Neural Network Oluşturmak ve Eğitmek
• Neural Network’ün Ölçülmesi (Evaluation)
• Sıfırdan Artificial Neural Network (ANN) Programlamak (NumPy ile…)
• Sıfırdan Bir ANN Geliştirmeye Genel Bakış
• Proje : NumPy ile ANN Geliştirmek, Eğitmek ve Test Etmek
• Sıfırdan Artificial Neural Network (ANN) Programlamak (Vanilla Python ile…)
• Sıfırdan Bir ANN Geliştirmeye Genel Bakış
• Proje: Vanilla Python ile ANN Geliştirmek, Eğitmek ve Test Etmek
• Proje : ANN ile Görüntü Verisi Üzerinde Çalışmak
• Proje : Farklı Bir Çok ANN Projesi Geliştirmek
• Convolutional Neural Networks (CNNs)
• Convolutional Neural Network’e Genel Bakış
• ANN vs. CNN
• CNN Uygulamaları ve Uygulama Alanları
• Convolutional Neural Network Architecture
• Stride, Padding
• Convolutional Operation & Filters
• Pooling
• Flattening
• Dense Neural Network
• Bir Test ve Training Dataset’i Oluşturmak
• Proje : Keras ile Bir CNN Model Oluşturmak ve Eğitmek
• Bir CNN Ağını Ölçümlemek ve Test Etmek
• Proje : Artificial Neural Network ile Görüntü Odaklı Uygulama Geliştirmek
• Proje : Farklı CNN Projeleri ile Bölüm Pekiştirme Uygulamaları
• Image Segmentation
• Image Segmentation’a Genel Bakış
• Proje : Image Segmentation Uygulaması Geliştirmek
• Proje : Convolutional Neural Network ile Uygulama Geliştirmek
• İleri Seviye Proje : NumPy ile Sıfırdan Bir Convolutional Neural Network (CNN) Geliştirmek
• İleri Seviye Proje : Sadece Python(Vanilla Python) ile Sıfırdan Bir Convolutional Neural Network (CNN) Geliştirmek
• Transfer Learning ve Fine Tuning
• Transfer Learning
• Transfer Learning’e Genel Bakış
• Library ve Dataset’ler
• Data Preprocessing
• Train ve Test Dataset’i Oluşturmak
• Neural Network’ü Oluşturmak ve Eğitmek
• Neural Network’ü Ölçümlemek
• Fine Tuning
• Fine Tuning’e Genel Bakış
• Implementation ve Ölçümlemek (Evaluation)
• Saving, Loading ve Resim Verisi Üzerinde Sınıflandırmak (Classifying)
• Detectron2 ile Yapay Zeka Projeleri Geliştirmek
• Detectron2’ye Genel Bakış
• Proje : Detectron2 ile Instance Segmentation
• Proje : Detectron2 ile Keypoint Detection
• Proje : Detectron2 ile Object Detection
• Proje : Detectron2 ile Panoptic Segmentation
• Proje : Detectron2 ile Semantic Segmentation

• Doğal Dil İşlemeye Genel Bakış
• Doğal Dil İşleme Uygulama Alanları
• Doğal Dil İşleme Algoritmaları
• Natural Language Toolkit (NLTK)
• Natural Language Toolkit’e Genel Bakış
• Corpus & Corpora
• Tokenization
• Stop Words
• Stemming
• PoST
• Named Entity Recognition
• Lemmatization
• ve dahası…
• RNNs, LSTM, GRU ve Transformer
• RNN vs. LSTM vs. GRU vs. Transformer
• Recurrent Neural Networks (RNNs)
• RNN’e Genel Bakış
• Proje : RNN Uygulaması Geliştirmek
• Long Short-Term Memory (LSTM)
• LSTM’e Genel Bakış
• Proje : LSTM Uygulaması Geliştirmek
• Gated Recurrent Unit (GRU)
• GRU’e Genel Bakış
• Proje : GRU Uygulaması Geliştirmek
• Transformer
• Transformer’a Genel Bakış
• Proje : Transformer Uygulaması Geliştirmek 

• Generative AI’a Genel Bakış
• Generative AI Uygulamaları ve Uygulama Alanları
• Generative AI’ın Temel Algoritmaları
• Generative Adversarial Networks (GANs)
• Autoencoder (Universal Neural Style-Transfer)
• Variational Autoencoders (VAEs)
• Recurrent Neural Networks (RNNs)
• Araçlar, Library’ler ve Verisetleri
• Generative Adversarial Networks (GANs)
• GANs’a Genel Bakış
• Generative Adversarial Network Architecture
• Library ve Dataset’leri
• Data Preprocessing
• Generator ve Discriminator
• Generator Oluşturmak
• Discriminator Oluşturmak
• Oluşturulan GAN’ın Testi
• Deep Convolutional Generative Adversarial Networks (DCGANs)
• Deep Convolutional GANs Nedir?
• Data Preprocessing
• Proje : DCGANs Uygulaması Geliştirmek
• Diğer GAN Algoritmalarına Genel Bakış
• CycleGAN, SRGAN vb…
• Stable Diffusion
• Stable Diffusion Model Nedir?
• GANs vs. Stable Diffusion Models
• Stable Diffusion Model Kullanım Alanları
• Proje : Stable Diffusion Model Uygulaması Geliştirmek 

• AutoML’e Genel Bakış
• AutoML Araçlarına Genel Bakış
• Auto Sklearn’e Genel Bakış
• Auto Keras’a Genel Bakış
• Diğer Araçlar : PyCaret, H20, EvalML, TPOT
• Auto Sklearn ile AutoML Uygulaması Geliştirmek
• Auto Sklearn ile AutoML Proje Hazırlığı
• Proje : Auto Sklearn Uygulaması Geliştirmek
• Auto Keras ile AutoML Uygulaması Geliştirmek
• Proje : AutoKeras ile Artificial Neural Network Projesi Geliştirmek
• Proje : AutoKeras ile Convolutional Neural Network Projesi Geliştirmek 

• Cloud Computing’e Genel Bakış
• Cloud Computing Çözümleri
• Microsoft Azure
• Google Cloud
• Amazon AWS
• Diğerleri…
• Cloud AI’a Genel Bakış
• Cloud AI Çözüm Üreticileri
• Azure AI
• Google AI
• AWS Machine Learning
• IBM Watson
• Diğer Cloud AI Çözümleri…
• Azure AI
• Azure AI’a Genel Bakış
• Azure AI’ı Derinlemesine İncelemek
• Proje : Azure AI ile Sıfırdan Yapay Zeka Projesi Geliştirmek 

• MLOps’a Genel Bakış
• Software Engineering
• Computer Hardware (Donanımsal Hesaplama)
• GPU Temelleri
• GPU Cloud
• On-Prem
• Kaynak Yönetimi
• ML System Lifecycle
• Distributed AI
• Distributed Systems
• Distributed Sistemlere Genel Bakış
• Distirbuted Sistemler ve Paralel Programlama
• Distributed AI Nedir?
• Distributed AI Kullanım Senaryoları
• Distributed AI Araçları
• Distributed AI Training
• Distributed AI Training’e Genel Bakış
• Data Parallelism (Data-Parallelism Training)
• Model Parallelisim (Model-Parallel Training)
• Experiment Management
• Hyperparameter Tuning
• Veri Yönetimi
• MLaaS : Machine Learning as a Services
• MLaaS Nedir?
• MLaaS Konsept ve Mimarisi
• Model Packaging
• Model Deployment
• Model Deployment Türleri
• Web : AI Modelleri İçin Web Tabanlı Mimari ve Teknolojiler
• RESTful API ve Microservice Mimarisi
• RESTful API Mimari ve Tasarımına Giriş
• Neden RESTful API Kullanırız?
• RESTful API Terminolojisine Genel Bakış
• RESTful API : Bir Request’in Anotomisi
• RESTful API : Endpoint Kavramı
• RESTful API : HTTP Metot
• RESTful API : HTTP Header
• Dependency Management
• Model Sharing : ONNX
• Model Serving Araç ve Library’leri
• TensorFlow Serving
• TensorFlow Serving Mimarisi
• RESTful ve TensorFlow Serving ile Model Prediction
• TensorFlow Extended (TFX) Pipeline ile Model Deployment
• PyTorch Serve
• PyTorch Serve Mimarisi
• Proje : PyTorch Serve ile Deployment
• Diğer Araçlar
• Deployment İçin Model Optimizasyonu
• Quantization
• Pruning
• Distillation
• Mobile AI : Mobil Uygulama Tabanlı Yapay Zeka
• Mobile AI’a Genel Bakış
• Mobile AI Uygulama Geliştirme Mimarisi ve Teknolojileri
• Mobile AI Modelleri
• Edge AI : IoT Tabanlı Yapay Zeka
• Edge AI’a Genel Bakış
• Edge AI Uygulama Geliştirme Mimari ve Teknolojiler

• Machine Learning Testing
• Machine Learning Testing’e Genel Bakış
• ML Testing Neden Gerekli?
• ML Testing Teorisi
• Software Testing
• Testing Türleri
• Unit Testing
• Integration Testing
• End-to-End Testing
• Differential Testing
• Unit Testing (ML Model İçin)
• Integration Testing (ML API)
• Differential Testing
• Testing Machine Learning Systems
• ML Models Vs. ML Systems
• Infrastructure Test
• Training Test
• Functionality Test
• Evaluation Test
• Shadow Test
• A/B Test
• Labeling Test
• Expectation Test
• Machine Learning Monitoring
• AI Odaklı Monitoring’e Genel Bakış
• Ne ve Neden Monitoring Yapılmalı?
• Data Drift
• AI Monitoring Odaklı Araçlar
• System Monitoring Araçları
• Data Quality Araçları
• Machine Learning Monitoring Araçları 

• Yapay Zeka Proje Yönetimine Genel Bakış
• AI Project Lifecycle (Yapay Zeka Proje Yaşam Döngüsü)
• Bir AI Projesi Neden Başarısız Olur?
• Bir AI Projesinin Başarısızlık Sebeplerini İncelemek
• Bir AI Projesinin Başarısını Arttırma Taktik, Teknik ve Püf Noktaları
• Proje (Senaryo Çalışması): Bir Yapay Zeka Proje/Girişimine Sıfırdan Başlamak ve Sonuca Gitmek