Yapay Zeka ile Veri Bilimi ve Derin Öğrenme Ders İzlencesi

EĞİTİM
Yapay Zeka ile Veri Bilimi ve Derin Öğrenme
EĞİTMENLER
Prof. Dr. Türkmen GÖKSEL
Ankara Üniversitesi Doç. Dr. Uğur AKKOÇ
Pamukkale Üniversitesi
KULLANILACAK YAZILIMLAR / DİL
PYTHON TENSORFLOW / KERAS SCIKIT-LEARN
 

EĞİTİMİN AMACI VE KAPSAMI

Bu dersin temel amacı, Makine Öğrenmesi ve Derin Öğrenme algoritmalarının matematiksel ve istatistiksel temellerini, yapay sinir ağlarının çalışma mekanizmalarını ve modern veri bilimi uygulamalarındaki kullanım alanlarını öğretmek; ayrıca gerçek veri setleri üzerinden uygulamalı çalışmalar yaparak katılımcılara Derin Öğrenme modelleri geliştirme becerisi kazandırmaktır.

Ders kapsamında Makine Öğrenmesi algoritmalarının uygulanması detaylı biçimde anlatılacaktır. Ayrıca, "Derin Öğrenme Nedir?", "Yapay Sinir Ağları Nasıl Çalışır?", "Evrensel Yaklaştırma Teoremi ne anlama gelir?" gibi temel sorular ele alınacak; ardından Python programlama dili kullanılarak veri bilimi uygulamaları gerçekleştirilecektir.

Program sonunda katılımcılar kendi derin öğrenme modellerini geliştirebilecek, model performanslarını değerlendirebilecek ve gerçek veri setleri üzerinde tahminleme, sınıflandırma ve üretken yapay zekâ uygulamaları gerçekleştirebilecek düzeye ulaşacaktır.

 

DERS İÇERİĞİ

  • ✓ Temel makine öğrenmesi algoritmaları
  • ✓ Karar Destek Vektörleri, Karar Ağaçları, Rastgele Orman (Adaboost, XGBoost, Catboost)
  • ✓ Derin Öğrenmeye giriş ve Yapay Sinir Ağları (ANN)
  • ✓ Regresyon ve Sınıflandırma Analizleri
  • ✓ Boyut Azaltma ve Anomali Tespiti
  • ✓ Zaman Serisi Analizleri (RNN, GRU, LSTM)
  • ✓ CNN Mimarileri ve Hibrit Derin Öğrenme Modelleri
  • ✓ Otokodlayıcı (Autoencoder) Modelleri
  • ✓ GANs (Generative Adversarial Networks) ile Üretken Yapay Zekâ
  • ✓ Python ile Uygulamalı Veri Bilimi analizleri
 

EĞİTİM PROGRAMI

(20 – 24 Temmuz 2026)
DERS SAATLERİ: Pzt, Sal, Çarş: 09:00–16:00  |  Per-Cum: 09:00–12:00
Gün Ders İçeriği
1. GÜN
20 Temmuz 		Derin Öğrenmeye Giriş, Yapay Sinir Ağlarının Temelleri
Yapay Sinir Ağlarının temel çalışma prensipleri, aktivasyon fonksiyonları, kayıp (loss) fonksiyonları, geri yayılım algoritması (Backpropagation), optimizasyon yöntemleri, aşırı öğrenme (Overfitting) ve düzenlileştirme (Regularization) teknikleri.
2. GÜN
21 Temmuz 		Kesit Veri Analizleri
Yapay Sinir Ağları (ANN) ile Regresyon ve Sınıflandırma Uygulamaları. Karar Destek Vektörleri, Karar Ağaçları, Rastgele Ormanları (Adaboost, Gradient boost, XGBoost, Catboost).
3. GÜN
22 Temmuz 		Zaman Serisi Analizleri
RNN (Recurrent Neural Networks), GRU, LSTM, CNN (Convolutional Neural Networks) mimarileri ve Hibrit Derin Öğrenme Uygulamaları.
4. GÜN
23 Temmuz 		Otokodlayıcı (Autoencoder) Modelleri
Derin Öğrenme ile Boyut Azaltma ve Anomali Tespiti yaklaşımları.
5. GÜN
24 Temmuz 		GANs (Generative Adversarial Networks, Üretken Çekişmeli Ağlar)
Derin Öğrenme ile Üretken Yapay Zekâ modellerinin çalışma mekanizmaları ve uygulamaları.

HEDEF KİTLE VE ÖN KOŞUL

  • Hedef Kitle: Akademisyenler, lisans ve lisansüstü öğrencileri, veri bilimi ve yapay zekâ alanına ilgi duyan araştırmacılar ve profesyoneller.
  • Ön Koşul: Herhangi bir ön koşul yoktur. Temel düzeyde matematik, istatistik ve programlama bilgisi faydalı olmakla birlikte zorunlu değildir.

DERS MATERYALLERİ VE UYGULAMA

  • Uygulamalarda NumPy, Pandas, Matplotlib, Scikit-Learn ve TensorFlow/Keras gibi popüler kütüphanelerden yararlanılacaktır.
  • Ders kapsamında kullanılan ders notları, Python kodları, veri setleri ve uygulama örnekleri katılımcılar ile paylaşılacaktır.
  • Program süresince teorik anlatım ile uygulamalı çalışmalar birlikte yürütülecek; katılımcıların kendi bilgisayarlarında uygulama yapmaları teşvik edilecektir.
© 2026 Uluslararası Ekonomi Yaz Seminerleri
EYS Düzenleme Kurulu; program akışı, dersler, konaklama, ulaşım ve sunulan tüm imkânlarda değişiklik yapma hakkını saklı tutar.

Menü