Bu sayfa Manisa Celal Bayar Üniversitesi Veri Topluluğu üyeleri için hazırlanmış Derin Öğrenme(Deep Learning) rehberidir. Veriye ilgi duyuyorsanız Veri Bilimi topluluğuna katılmak için aktif üye formu doldurabilirsiniz.
Sosyal Medya Hesaplarımız
- Genel Bilgi
- Yol Haritası
- Algoritmalar
- Kullanım Alanları
- Kütüphaneler
- Video Dersler
- Kitaplar
- Bloglar
- Bilimsel Makalaler
- Google Colab
Derin öğrenme, yapay sinir ağları ve büyük veri setlerini kullanarak karmaşık problemleri çözmek için kullanılan bir makine öğrenme yöntemidir. Derin öğrenme, sinir ağlarının çok katmanlı yapısını kullanır ve veriye dayalı özelliklerin otomatik olarak öğrenilmesine odaklanır.
- Motivasyon: Yapay Zeka ve Derin Öğrenmenin Hikayesi (Merve Ayyüce Kızrak)
- Derin Öğrenme Başlangıç Seti - Donanım Ve Yazılım (Arda Mavi)
- Derin Öğrenme 1 (Birol Kuyumcu)
- Derin Öğrenme 2 (Birol Kuyumcu)
- Derin Öğrenme 3 (Birol Kuyumcu)
- Derin Öğrenme , Yapay Zeka ve Bilgisayar Bilim (Burak Bayramlı)
- TensorFlow: Derin öğrenme için en popüler açık kaynaklı kütüphanelerden biridir. Çok sayıda önceden eğitilmiş model ve derin öğrenme araçları sunar.
- Keras: TensorFlow'un üzerine inşa edilen yüksek seviyeli bir derin öğrenme kütüphanesidir. Kullanımı kolay ve hızlı prototipler oluşturmanıza olanak tanır.
- PyTorch: Yine açık kaynaklı bir derin öğrenme kütüphanesidir. Dinamik grafikler kullanarak esnek bir şekilde model oluşturmanıza olanak sağlar.
- scikit-learn: Genel amaçlı bir makine öğrenimi kütüphanesidir. Derin öğrenme için önceden işleme, model seçimi ve değerlendirme gibi bir dizi yardımcı işlev sunar.
- Theano: Yüksek performanslı matematiksel işlemler yapabilen bir derin öğrenme kütüphanesidir. Biraz daha düşük seviyeli bir API'ye sahiptir ve TensorFlow ve Keras ile karşılaştırıldığında daha az popüler hale gelmiştir.
- Caffe: Hızlı ve etkili bir derin öğrenme kütüphanesidir. Özellikle görüntü sınıflandırma ve tanıma gibi görsel işleme problemlerinde yaygın olarak kullanılır.
- Julia: Julia, açık kaynak kodlu, yüksek performanslı ve yüksek seviyede programlanabilen bir dil olarak derin öğrenmeye giriş için uygun bir platform oluşturmaktadır. Knet.j ise Julia üzerinde Deniz Yüret ve ortakları tarafından uygulanan derin öğrenme çerçevesidir. Knet.jl derin öğrenme modellerinin program fonksiyonlarına yakın bir dille tanımlanmasına izin vermekte, alt fonksiyonlar kullanarak kompleks modellerin kolaylıkla geliştirilmesine olanak sağlamakta, model eğitimi için gerekli türev ve güncelleştirme işlemlerini otomatikleştirerek kullanıcının model yapısına konsantre olmasını kolaylaştırmaktadır
- MatConvNet: MatConvNet, derin öğrenme platformları ve kütüphanelerinden biridir. Derin öğrenme, yapay zekâ alanında çığır açmıştır. Derin Öğrenmeyle birlikte makineler ses, görüntü, sinyal, metin gibi verileri kullanarak sınıflandırma, nesne tanıma, ses tanıma ya da dil çevirileri gibi özelleşmiş görevleri en az hatayla yerine getirirler.
- Vektörler ve Matrisler: Lineer cebirde, vektörler ve matrisler temel yapı taşlarıdır. Vektörler, tek bir boyutlu verileri temsil ederken, matrisler iki boyutlu veri tablolarını temsil eder. Derin öğrenme uygulamalarında, genellikle ağırlıklar, özellikler ve gradyanlar gibi bilgileri temsil etmek için vektörler ve matrisler kullanılır.
- Doğrusal Bağımlılık: Bir vektörün diğer vektörler tarafından doğrusal bir kombinasyonu olarak ifade edilebilmesine doğrusal bağımlılık denir. Derin öğrenme uygulamalarında, özelliklerin doğrusal bağımlılığını analiz etmek, aşırı uyum (overfitting) veya özellik seçimi gibi sorunları ele almak için önemlidir.
- Matris Çarpımı: Matrislerin çarpılması, bir matrisi diğerine dönüştüren temel bir işlemdir. Derin öğrenme modellerinde, ağırlıkların ve özelliklerin matris çarpımı yoluyla hesaplanması yaygındır. Matris çarpımı, katmanlar arasındaki bağlantıları ve veri işleme süreçlerini temsil eder.
- Transpoz: Bir matrisin transpozu, matrisin satırlarını sütunlara ve sütunları satırlara dönüştüren işlemdir. Transpoz, matris çarpımında ve model parametrelerini güncellemede önemli bir rol oynar.
- Lineer Denklem Sistemleri: Derin öğrenme modelleri genellikle lineer denklem sistemlerini çözmek için kullanılır. Bu denklemler, verileri temsil eden matrisler ve hedef değerleri temsil eden vektörler arasında bir ilişkiyi ifade eder. Modellerin eğitimi, bu denklem sistemlerini çözmeyi ve model parametrelerini ayarlamayı içerir.
- Eigenvektörler ve Eigendeğerler: Bir matrisin eigenvektörleri, matrisin çarpımı sonucunda yalnızca bir ölçek faktörüyle değişmeyen vektörlerdir. Eigenvektörler ve eigendeğerler, derin öğrenme modellerinde boyut indirgeme, veri dönüşümü ve matrislerin özelliklerini anlamak için kullanılır.
- Olasılık Dağılımları: Derin öğrenme modellerinde genellikle olasılık dağılımları kullanılır. Örneğin, sınıflandırma problemlerinde sınıflar arasındaki olasılık dağılımlarını tahmin etmek için kullanılır. En yaygın olarak kullanılan olasılık dağılımları arasında normal dağılım, Bernoulli dağılımı, çoknomiyal dağılım ve kategorik dağılım bulunur.
- En olası tahmin (Maximum Likelihood): Derin öğrenme modellerinde, veriye dayalı en olası tahmini yapmak için maksimum olabilirlik (maximum likelihood) yöntemi kullanılır. Bu, veriyi en iyi açıklayan model parametrelerini seçmek için kullanılan bir istatistiksel tahminleme yöntemidir.
- Örnekleme (Sampling): Derin öğrenme modelleri genellikle örnekleme işlemine dayalıdır. Örnekleme, olasılık dağılımlarına dayalı olarak yeni örnekler oluşturma sürecidir. Örneğin, jeneratif modeller, yeni görüntüler, metinler veya sesler oluşturmak için örnekleme işlemi kullanır.
- İstatistiksel Testler: Derin öğrenme modelleri geliştirirken, modelin performansını değerlendirmek için istatistiksel testler kullanılabilir. Örneğin, hipotez testleri veya çapraz doğrulama (cross-validation) gibi yöntemlerle modelin doğruluğunu, hatayı veya performansını istatistiksel olarak analiz etmek mümkündür.
- Bayes Teorisi: Bayes teorisi, derin öğrenme modellerinde istatistiksel çıkarımlar yapmak için kullanılan bir yöntemdir. Bayes teoremi, öncül bilgiyi ve veriyi birleştirerek sonuçları güncellemeyi sağlar. Bu, özellikle belirsizliklerin olduğu durumlarda model tahminlerini iyileştirmek için kullanılır.
- Veri Ön İşleme ve Normalleştirme: Derin öğrenme modelleri, veri ön işleme adımlarını içerir. Bu adımlar arasında veri normalleştirme, veri temizleme, boyut indirgeme, veri standartlaştırma gibi istatistiksel yöntemler yer alır. Bu işlemler, verinin modele daha iyi uymasını sağlar ve eğitim sürecini iyileştirir.
- Derin Öğrenme Uygulamalarında En Sık kullanılan Hiper-parametreler (Necmettin Çarkacı)
- Derin Öğrenme Uygulamalarında Başarım İyileştirme (Regularization) Yöntemleri (Necmettin Çarkacı)
- Yapay Sinir Ağlarına Giriş (Arda Mavi)
- Yapay Sinir Ağları (Birol Akan Esen)
- Yapay Sinir Ağları Temel Kavramlar: Perceptron, Skor fonksiyonu ve Hata hesaplaması(loss function) (Necmettin Çarkacı)
- YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
- Derine Daha Derine: Evrişimli Sinir Ağları (Merve Ayyüce Kızrak)
- Evrişimli Sinir Ağlarına Giriş (Arda Mavi)
- Tensorflow Tabanlı Keras ile MNIST Veriseti Üzerinde Çalışma (Erdoğan Bavaş)
- Yapay Zekada Büyük Yenilik: Kapsül Ağları (Capsule Networks) (Merve Ayyüce Kızrak)
- Generative Adversarial Networks — GAN nedir ? ( Türkçe ) (Muhammed Buyukkınacı)
- Keras ile Duygu Analizi (Birol Kuyumcu)
- Türkçe Metin İşlemede İlk Adımlar (İlker Birbil)
- 10 Dakikada Görüntü Sınıflandıran Mobil Uygulama Geliştirin (Özgür Şahin)
- MARVEL: A Large-Scale Image Dataset for Maritime Vessels (Erhan Gündoğdu, Berkan Solmaz, Veysel Yücesoy, Aykut Koç)
- Face Recognition Classifier Based on Dimension Reduction in Deep Learning Properties (Ahmet Bilgiç, Onur Can Kurban, Tülay Yıldırım)
- Signature recognition application based on deep learning (Nurullah Çalık, Onur Can Kurban, Ali Rıza Yılmaz, Lütfiye Durak Ata, Tülay Yıldırım)
- On identifying leaves: A comparison of CNN with classical ML methods (Mohamed Abbas Hedjazi, Ikram Kourbane, Yakup Genç)
- On identifying leaves: A comparison of CNN with classical ML methods (Çağdaş Bak, Aysun Koçak, Erkut Erdem, Aykut Erdem)
- Exploiting Convolution Filter Patterns for Transfer Learning (Mehmet Aygün, Yusuf Aytar, Hazım Kemal Ekenel)
- The Unconstrained Ear Recognition Challenge (Žiga Emeršič, Dejan Štepec, Vitomir Štruc, Peter Peer, Anjith George, Adil Ahmad, Elshibani Omar, Terrance E. Boult, Reza Safdari, Yuxiang Zhou, Stefanos Zafeiriou, Dogucan Yaman, Fevziye I. Eyiokur, Hazim K. Ekenel)
- Combining LiDAR Space Clustering and Convolutional Neural Networks for Pedestrian Detection (Damien Matti, Hazım Kemal Ekenel, Jean-Philippe Thiran)
- Combining Multiple Views for Visual Speech Recognition (Marina Zimmermann, Mostafa Mehdipour Ghazi, Hazım Kemal Ekenel, Jean-Philippe Thiran)
- A Computer Vision System to Localize and Classify Wastes on the Streets (Mohammad Saeed Rad,Andreas von Kaenel, Andre Droux, Francois Tieche, Nabil Ouerhani, Hazım Kemal Ekenel, Jean-Philippe Thiran)
- Keras'a Giriş-1 (Birol Kuyumcu)
- Keras'a Giriş-2 ( LSTM ) (Birol Kuyumcu)
- Keras Türkçe Dokümantasyon (Kemalcan Bora)
- Keras Kurulumu (İbrahim Delibaşoğlu)
- Keras ile Sonar Verisi Sınıflandırma (İbrahim Delibaşoğlu)
- Keras Documentation
- Caffe Kılavuzu - Tüm detaylarıyla Caffe ile çalışma rehberi (Birol Kuyumcu)
- Pratik Caffe Kullanımı (Birol Kuyumcu)
- Caffe Fine Tuning: Caffe'yi Kendi Verisetiniz ile Kullanma (Yavuz Kömeçoğlu)
- Windows İşletim Sistemi için Caffe Kurulumu (Mesut Pişkin)
- Caffe Documentation
- Julia Dokümantasyon
- Julia ve Knet ile Derin Öğrenmeye Giriş (Doç. Dr. Deniz Yuret) {104 dakika}
- MatConvNet Dokümantasyon-
- MatConvNet ve Matlab ile Derin Öğrenmeye Giriş (Ahmet Gökhan POYRAZ) {5 Video, eklemeler yapılacaktır}
- Derin Öğrenme (Mustafa Selçuk Çağlar)
- Keras İle Derin Öğrenme (Makine Öğrenmesi)
- Python ile Derin Öğrenme Yapay Zeka Dersleri (Tirendaz Akademi)
- 6.S191: Introduction to Deep Learning Massachusetts Institute of Technology via Independent
- Deep Learning at Oxford 2015
- Keras ile Derin Öğrenmeye Giriş (BTK Akademi)
- Ankara Deep Learning - Derin Öğrenme Etkinliği 1 (Ferhat Kurt) {96 dakika}
- Derin Öğrenmeye Derinlemesine Dalış (Şefik İlkin Serengil @Softtech Sahnesi) {52 dakika}
- Derin Öğrenme: Dünü, Bugünü, Yarını (Şefik İlkin Serengil @Bilgisayar Mühendisleri Odası) {100 dakika}
- IoT ve Derin Öğrenme Etkinliği (Ferhat Kurt) {82 dakika}
- Keras Video Eğitim Serisi (Mehmet Burak Sayıcı) {21 video, artmakta}
- Julia ve Knet ile Derin Öğrenmeye Giriş (Doç. Dr. Deniz Yuret) {104 dakika},
- MatConvNet ve Matlab ile Derin Öğrenmeye Giriş (Ahmet Gökhan POYRAZ) {5 Video, eklemeler yapılacaktır}
- Deep Learning An MIT Press Book
- Neural Networks and Deep Learning free online book
- MIT Deep Learning Book
- Introduction to Deep Learning (Sandro Skansi)
- Neural Networks and Deep Learning (Charu C. Aggarwal)
- Yapay Öğrenme - Ethem Alpaydın
- Derin Öğrenme - Ian Goodfellow, Yoshua Bengio, Aaron Courville
- OpenCv Görüntü İşleme ve Yapay Öğrenme - Birol Kuyumcu
- Yapay Zeka - Vasif Vagifoğlu Nabiyev
- Derin Öğrenme - Ian Goodfellow, Yoshua Bengio, Aaron Courville
- Deep Learning Türkiye Blog
- veridefteri.com
- alpslabel.wordpress.com
- makineogrenimi.wordpress.com
- devhunteryz.wordpress.com
- Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme (Abdulkadir Şeker, Banu Diri, Hasan Hüseyin Balık )
- Face Recognition Classifier Based on Dimension Reduction in Deep Learning Properties (Ahmet Bilgiç, Onur Can Kurban, Tülay Yıldırım)
- Signature recognition application based on deep learning (Nurullah Çalık, Onur Can Kurban, Ali Rıza Yılmaz, Lütfiye Durak Ata, Tülay Yıldırım)