PyTorch ile Derin Öğrenme Kavramdan Uygulamaya — Yılmaz Kaya

TANITIM YAZISI Bu kitap yalnızca bir derin öğrenme eğitimi sunmayı değil sizi fikirden uygulamaya koddan projeye modelden ürüne uzanan bütünlüklü bir yolculuğa çıkarmayı amaçlıyor Yapay zekâ artık bir araştırma konusu olmaktan çıkıp gündelik hayatın merkezine yerleşti Görüntü tanıma ses analizi metin yorumlama hastalık tahmini üretim hattı kontrolü gibi pek çok alanda derin öğrenme modelleri karar veriyor yönlendiriyor ve tahmin ediyor Ancak bu sistemleri sadece kullanmakla kalmayıp sıfırdan kurabilmek doğru yöntemle eğitebilmek ve gerçek problemlere uygulayabilmek günümüz mühendislerinin ve araştırmacılarının sahip olması gereken temel bir beceri hâline geldi İşte bu kitap derin öğrenmeyi öğrenmek isteyen herkes için yalın sistematik ve pratik bir yaklaşım sunmak amacıyla hazırlandı Konular en temel kavramlardan başlayarak adım adım yükselen bir yapıda işlenmiştir Yapay sinir ağlarının nasıl çalıştığını anlamakla başlayıp gerçek veri kümeleri üzerinde CNN RNN Transformer gibi modellerin nasıl eğitileceğini değerlendirileceğini ve optimize edileceğini öğreniyorsunuz İÇİNDEKİLER BÖLÜM 1 Derin Öğrenmenin Temelleri ve PyTorch a Giriş 1 1 Yapay Zekâ AI Makine Öğrenmesi ML ve Derin Öğrenme DL Nedir 1 2 AI ML DL Arasındaki Hiyerarşik İlişki 1 3 Veriye Dayalı Öğrenme Türleri Denetimli Denetimsiz Yarı Denetimli ve Pekiştirmeli Öğrenme 1 4 Makine Öğrenmesinde Model Hipotez ve Fonksiyon Kavramları 1 5 Parametre ve Hiperparametre Arasındaki Fark Kavramsal ve İşlevsel Bir Ayrım 1 6 Bias Variance ve Generalization Nedir 1 7 Aşırı Öğrenme Overfitting Yetersiz Öğrenme Underfitting 1 8 Derin Öğrenmeye Neden İhtiyaç Duyuldu 1 9 Gerçek Dünya Uygulama Alanları Görüntü Metin Ses Sağlık Finans BÖLÜM 2 Sinir Ağlarının Yapısı ve Bileşenleri 2 1 Yapay nöron Perceptron ve çok katmanlı algılayıcı MLP 2 2 İleri Beslemeli Ağlar Feedforward Networks 2 3 Katman Türleri Dense Dropout BatchNorm Aktivasyon 2 4 Aktivasyon Fonksiyonları Sigmoid Tanh Relu Leakyrelu GELU 2 5 Hesaplama Grafiği Ve Otomatik Türev 2 6 Parametre Güncelleme Gradient Descent ve Türevleri SGD Adam RMSprop 2 7 Kayıp Loss ve Maliyet Cost Fonksiyonları 2 8 PyTorch Mimarisi Modül Katman Tensör Optimizer Loss Function BÖLÜM 3 Tensörler ve Pytorch Temelleri 3 1 Tensor Nedir Vektör Matris ve Yüksek Boyutlu Tensör Farkları 3 2 PyTorch tensör işlemleri 3 3 GPU Kullanımı ve CUDA Mimarisi 3 4 requires_grad backward ve grad Otomatik Türev Mekanizması Autograd 3 5 PyTorch ile NumPy Arasındaki Farklar 3 5 PyTorch ta Random Seed Kontrolü ve Tekrar Üretilebilirlik Reproducibility 3 7 Basit Örnek Tensör Tabanlı Lineer Regresyon PyTorch BÖLÜM 4 PyTorch ile Eğitim Süreci ve Model Değerlendirme 4 1 Eğitim Training Ve Test Inference Aşamaları 4 2 Eğitim Döngüsü Nasıl Kurulur 4 3 nn Module ve forward Fonksiyonu Nedir 4 4 torch optim ile Optimizer Kullanımı 4 5 Batch Mini Batch ve Epoch Kavramları 4 6 Öğrenme Oranı Learning Rate Seçimi ve Planlaması 4 7 model train ve model eval Modları 4 8 Early Stopping ve Model Checkpointing Aşırı Öğrenmeye Karşı Stratejiler BÖLÜM 5 Veri Hazırlama ve PyTorch Dataset API 5 1 PyTorch ta torch utils data Dataset ve DataLoader Sınıfları 5 2 Görüntü Metin ve Zaman Serisi Verilerinin İşlenmesi 5 3 torchvision transforms ve Custom Transform Yazımı 5 4 Data Augmentation Teknikleri Random Crop Flip Noise Blur 5 5 Dönüştürme İşlemleri ToTensor Normalize ve Özel Ön İşleyiciler 5 6 Batch Shuffle num_workers ve Bellek Yönetimi 5 7 Custom Dataset Sınıfı Oluşturma BÖLÜM 6 Görüntü Tanıma için CNN ConvolutIonal Neural Networks 6 1 Konvolüsyon işlemi nedir 6 2 Filtreler Kernel Padding Stride Kavramları 6 3 Pooling ve Pooling Yöntemleri Max Average Global Pooling 6 4 Softmax ve Flatten Katmanları 6 5 Sınıflandırma Metrikleri 6 6 CNN Mimarisi ve bir Sınıflandırma Örneği 6 7 Feature Map Nedir 6 8 nn Sequential ile Model Yazımı 6 9 GPU ile Eğitim Örneği Derin Öğrenmede Donanımın Gücünü Kullanmak BÖLÜM 7 İleri Seviye CNN Yapıları ve Transfer Öğrenme 7 1 VGG ResNet DenseNet EfficientNet Transfer Öğrenme Metotları 7 2 Residual Connection ve Bottleneck Yapısı 7 3 Pre trained Model Kullanımı ve Fine Tuning 7 4 Feature Extractor Olarak CNN Kullanımı 7 5 Transfer Öğrenme ile Küçük Veri Setlerinde Başarı Artırma BÖLÜM 8 Düzenleme ve Aşırı Öğrenmeyi Önleme Teknikleri 8 1 Dropout ve SpatialDropout 8 2 L1 ve L2 Düzenleme Weight Decay 8 3 Batch Normalization 8 4 Early Stopping ve Learning Rate Scheduler 8 5 Model Karmaşıklığı Kontrolü Parametre Sayısı BÖLÜM 9 RNN LSTM TCN ve GRU 9 1 Zaman Serisi Ve Doğal Dil İşleme Temelleri 9 2 nn RNN nn LSTM ve nn GRU Yapıları ve Farkları 9 3 Gizli Durum Hidden State ve Hücre Durumu Cell State 9 4 Sequence Veri Hazırlama Padding Pack_Padded 9 5 Uygulama Metin Üretimi Duygu Analizi Zaman Serisi Tahmini BÖLÜM 10 Transformers ve Attentıon Mekanizmaları 10 1 Attention Nedir Neden Kullanılır 10 2 Self Attention ve Multi Head Attention 10 3 Transformer Mimarisinin Katmanları 10 4 BERT GPT Gibi Modellerin Temelleri 10 5 Huggingface Transformers Ile Hazır Model Kullanımı BÖLÜM 11 Doğal Dil İşleme NLP Uygulamaları 11 1 Tokenization Ve Embedding Kavramı 11 2 Word2Vec Glove Fasttext Kullanımı 11 3 Embedding Katmanı Ve Sequence Modelleme 11 4 Text Classification ve Sentiment Analysis 11 5 Sequence To Sequence Modeli ile Çeviri Örneği BÖLÜM 12 Otomatik Kodlayıcılar Autoencoders 12 1 Encoder Decoder Mantığı 12 2 Lineer ve Konvolüsyonel Autoencoder 12 3 Gürültülü Autoencoder Denoising AE 12 4 Latent Space Görselleştirme 12 5 VAE Variational Autoencoder BÖLÜM 13 Generatıve Adversarıal Networks GAN 13 1 GAN Mimarisi Generator vs Discriminator 13 2 Gerçek vs Sahte Örnek Üretimi 13 3 GAN Eğitim Dengesizlikleri ve Çözüm Yolları 13 4 Basit bir GAN ile Çiçek Üretimi 13 5 DCGAN CycleGAN StyleGAN Modeller BÖLÜM 14 Model Kaydetme Yükleme ve Servis Etme 14 1 torch save ve torch load Kullanımı 14 2 state_dict Mantığı 14 3 Eğitim Sonrası Modeli Inference Çıkarım İçin Hazırlama 14 4 Torchscript ve ONNX İle Model Taşınabilirliği 14 5 Model Versiyonlama Ve Üretim Ortamı Için En Iyi Uygulamalar BÖLÜM 15 Performans İzleme ve Model Takibi 15 1 torch utils tensorboard matplotlib 15 2 Eğitim Eğrileri Loss Accuracy Precision Recall 15 3 AUC ROC ve Confusion Matrix Görselleştirmeleri 15 4 Model Loglama ve Sürüm Takibi BÖLÜM 16 Hiperparametre Optimizasyonu 16 1 Öğrenme Oranı Dropout Oranı Batch Size 16 2 Grid Search Random Search Bayesian Optimization 16 3 Optuna ve Ray Tune Tanıtımı 16 4 Otomatik Deney Yönetimi BÖLÜM 17 PyTorch LIghtnIng ile Temiz Eğitim 17 1 PyTorch Lightning nedir 17 2 LightningModule ve Trainer Sınıfı 17 3 Kodun Sadeleşmesi Yeniden Kullanılabilirlik 17 4 Callback Yapıları İle Erken Durdurma ve Model Kaydı 17 5 Dağıtık Eğitim Desteği BÖLÜM 18 Çoklu GPU ve Dağıtık Eğitim 18 1 DataParallel vs DistributedDataParallel 18 2 GPU Bellek Yönetimi 18 3 Batch Büyüklüğü Optimizasyonu 18 4 Eğitim Hızlandırma Teknikleri Mixed Precision AMP BÖLÜM 19 Gerçek Dünya Projeleri ve Endüstri Uygulamaları 19 1 Görüntü sınıflandırma 19 2 Sinyal Sınıflandırma EKG 19 3 NLP metin analizleri spam tespiti 19 4 Anomali tespiti finans IoT siber güvenlik 335 BÖLÜM 20 Bitirme Projesi Sıfırdan Model Geliştirme Süreci 20 1 Proje Fikri Oluşturma 20 2 Veri Keşfi ve Ön İşleme 20 4 Performans Değerlendirme 20 5 Sunum ve Model Deployment Kaynaklar