Derin Öğrenmeye Giriş

• Makine öğrenimi ve derin öğrenme farkları

• Neden derin öğrenme?

• Temel kavramlar: feature, weight, bias, loss

• Veri seti yapıları ve derin öğrenmede veri ihtiyacı

  
  

Yapay Sinir Ağları Temelleri

• Perceptron mantığı

• Aktivasyon fonksiyonları (ReLU, Sigmoid, Tanh, Softmax)

• Forward – backward propagation

• Optimizasyon algoritmaları (SGD, Adam, RMSprop)

  
  

Derin Öğrenme Mimarileri

• Fully Connected Neural Networks (DNN)

• Convolutional Neural Networks (CNN)

• Recurrent Neural Networks (RNN)

• LSTM, GRU ve gelişmiş sıralı modeller

  
  

Modern Derin Öğrenme Yaklaşımları

• Transformer mimarisi

• Attention mekanizması

• Vision Transformers (ViT)

• Otomatik kodlayıcılar (Autoencoders) ve varyasyonları

  
  

Eğitim Süreci, Performans ve İyileştirme

• Veri hazırlama ve augmentasyon

• Overfitting – underfitting ayırt edilmesi

• Düzenlileştirme yöntemleri (dropout, batch normalization)

• Model değerlendirme metrikleri

  
  

Derin Öğrenmede Uygulama Alanları

• Görüntü sınıflandırma, nesne tespiti

• Doğal dil işleme uygulamaları

• Öneri sistemleri

• Tahmin ve anomalik tespit modelleri