Paket 1

Gün 1: Görüntü İşleme (Emrah Aydemir)

1. Görüntü ve görüntü özellikleri ile kenar ve köşe tespiti
2. Görüntü filtreleme ve öznitelik çıkarımı
3. Sınıflandırma algoritmaları
4. Görüntü sınıflandırma
5. Görüntüde nesne sayma
6. Derin öğrenme yöntemleri ile görüntü sınıflandırma

Derse bilgisayar getirilmesi, temel düzeyde Python bilgisi zorunludur. Derse gelinmeden önce visual studio code ile anaconda kurulumu yapılmış olmalıdır.

Gün 2: Üretken Yapay Zeka ile Mobil Uygulama Geliştirme (Uğur Can Yaman)

Bu eğitimde, büyük dil modelleriyle geliştirilmiş üretken yapay zekâ araçlarından biri olan Claude 4.0 Sonnet ile Dart (Flutter) dilinde mobil uygulama geliştirme yapılacaktır.

Öğrencinin herhangi bir programlama diline başlangıç düzeyinde hakim olması beklenmektedir

Gün 3: Veriden Ürüne: Yapay Zekâ ile Ticarileştirme (Muhammed Kürşad Uçar)

Atölye İçeriği (Kısa Tanım)
Bu atölyede katılımcılar, gerçek dünya problemleri için veri toplama, yapay zekâ modeli geliştirme, model eğitimi, ve API olarak yayınlayarak ticarileştirme süreçlerini adım adım öğreneceklerdir.

Eğitim süresince:

İş fikrinden yapay zekâ modeline giden yol haritası çizilecek,

Veri hazırlama ve modelleme teknikleri uygulanacak,

Model sonuçları değerlendirilerek optimize edilecek,

MATLAB kullanılarak temel bir API yapısı oluşturulacak ve uygulama dış dünyaya açılacaktır.

Opsiyonel olarak Python (Flask/FastAPI) ile gelişmiş API çözümleri de gösterilecektir.

Katılımcılar eğitimi tamamladığında, veriyi kullanarak kendi yapay zekâ çözümlerini geliştirip ticarileştirmeye hazır hale getirebilecek bilgi ve pratiğe sahip olacaklardır.

✅ Temel Gereksinimler
Bu atölyeye katılacak katılımcıların aşağıdaki temel bilgi ve becerilere sahip olması beklenmektedir:

Temel düzeyde MATLAB bilgisi (değişken tanımlama, temel komut kullanımı, fonksiyon yazımı)

Temel düzeyde yapay zekâ veya makine öğrenmesi kavramlarına aşinalık (model eğitimi, doğruluk, veri seti mantığı)

Veri analizi konusunda temel bilgi (Excel veya benzeri ortamda veri işleme deneyimi olanlar avantajlıdır)

Opsiyonel: Temel düzeyde Python bilgisi (değişkenler, fonksiyonlar, kütüphane kullanımı – yalnızca isteğe bağlı Python modülü için gereklidir)

Katılımcıların kendi dizüstü bilgisayarlarını getirmesi ve MATLAB ve Python ortamının kurulu olması tavsiye edilir.

Paket 2

Gün 1: Makine Öğrenmesi ile Sınıflandırma (Melih İnal)

Keşifsel veri analizi, gözetimsiz makine öğrenimi ile boyut indirgeme ve yapay sinir ağları eğitimi örnekleri yoluyla bir gerçek hayat problemine (COVID-19'da ölüm riski olan hastaların tespiti) çözüm yaklaşımı işlenecektir. Zaman planlamasının izin verdiği ölçüde alternatif yaklaşımlara da değinilecektir.

Temel Python bilgisi şarttır.

Gün 2: Makine Öğrenmesi ile Kümeleme (Gülşen Akman - Ali İhsan Boyacı)

Kümeleme Temelleri ve Uygulama Alanları, Temel Kümeleme Algoritmaları, Performans değerlendirme ve Örnek Uygulamalar

Bilgisayar, programlama bilgisi şartı - temel python bilgisi şarttır

Gün 3: Makine Öğrenmesi ile Regresyon (Esin Zaimoğlu)

Makine Öğrenmesine Giriş (Teorik)
Regresyonun Temelleri (Teorik + Kodlama)
Çoklu Doğrusal Regresyon (Teorik + Kodlama) ve Görselleştirme
Model Değerlendirme ve Hata Analizi
Uygulama 1: Araç Fiyat Tahmini
Uygulama 2 : Ev Fiyat Tahmini + Alternatif Regresyon Modelleri

Temel Gereksinimler:

• Bilgisayar kullanabilme becerisi,
• Temel programlama bilgisi,
• Temel python bilgisidir.

• Python + Google Colab kullanılarak
• NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn kütüphanelerinden faydanılacaktır.

Bu plan sonunda öğrenci:

• Makine öğrenmesinin ve Regresyonun ne olduğunu ve nerede kullanılacağını bilir,
• Tekli ve çoklu regresyon modeli kurar,
• Hata metriklerini yorumlar,
• Küçük bir veri bilimi projesi çıkartır.

Paket 3

Gün 1: Derin Öğrenme Temelleri (Selami Çalışkan)

Teori -> Matematik -> Uygulama
sıralaması takip edilecek.

Kazanımlar
1- Tek bir nöron yapısından başlayıp, çok katmanlı mimarilerin teorik bilgisi, matematiksel altyapısı ve kodlamasına hakim olur.
2- Temel katmanları, aktivasyon fonksiyonlarını, ileri geri yayılımı, ve diğer gerekli kavramları öğrenir.
3- Hem görüntü verilerinde hem de tabular (düzenli) verilerde model eğitimi deneyimi kazanır.
4- CNN mimarisi teorisini bilir ve uygulamasını gerçekleştirebilir.
5- Transfer öğrenme konusunu bilir ve eğitim/test işlemlerini yapabilir.

Ders akışı:

Yapay zeka, Makine öğrenimi, derin öğrenme ilişkisi anlatılacak.

Tek bir yapay sinir hücresi (Perception) yapısı anlatılacak. w*x+b fonksiyonu ve aktivasyon fonksiyonu ile matematiksel hesaplamalar yapılacak.

Çok katmanlı yapı (Fully Connected) anlatılacak, Hata, maliyet, ileri/geri yayılım, epoch, optimizer, öğrenme oranı, batch kavramı, aktivasyon fonksiyonları anlatılacak.

Ufak bir sinir ağının matematiksel hesaplamaları (forward,backward) yapılacak.

Pytorch kütüphanesi kullanılarak MNIST verisetinde eğitim, test kodlamaları yapılacak. Tabular veri ile eğitim, test kodlamaları yapılacak.

CNN mimarisi teorik olarak anlatılacak, ardından kodlaması yapılacak.

Transfer learning anlatılacak. Transfer öğrenmesi kullanılarak yeni bir model eğitilecek.

Ekstralar:
Öğrencilerin bilgisi yeterli ise tek nöronlu model mimarisi sıfırdan kodlanacak.
Zaman problemi olmadığı takdirde UNet mimarisi öğrenciler ile birlikte kodlanacak

Temel Gereksinimler

Bilgisayar
İnternet
Temel python bilgisi
Makine öğrenmesi konularına aşinalık
Temel matematik bilgisi

Gün 2: Sağlıkta Yapay Zeka Uygulamaları (Fatma Akalın)

“Yapay zeka ve sağlık sektörü”, “Yapay zekanın sağlıkta kullanımı”, “Sağlıkta yapay zeka pazar trendleri” ve “Kullanım alanına göre yapay zeka” konularında kısa bir tanıtım yapılacaktır. Ardından klinik veriler, görüntü verileri ve ses verilerinden oluşan veri kümesi kapsamında ön işleme (keşifsel veri analizi, veri temizleme, görselleştirme ve analiz vb.) adımları, sınıflandırma ve tahmin süreçleri uygulamalı olarak anlatılacaktır. Son olarak Yapay zeka ve etik konusuna değinilerek kurs tamamlanacaktır.

Temel Gereksinimler:
Temel bilgisayar kullanımı ve veri bilimi kavramları
İstatistik ve olasılık temel bilgisi (ortalama, varyans, dağılım vb.)
Python programlama dili hakkında ön bilgi (değişkenler, veri tipleri, fonksiyonlar)
Veri yapıları ve basit veri manipülasyonu bilgisi
Numpy, pandas, opencv ve scikit-learn kütüphanelerine ilişkin temel düzeyde bilgi

Gün 3: Doğal Dil İşleme (Muhammed Kotan)

Doğal Dil İşlemeye Giriş ve Metin Ön İşleme

Metin Temsilleri ve Klasik Makine Öğrenmesi Yöntemleri

Derin Öğrenme ile Doğal Dil İşleme

Transformer Tabanlı Modeller ile Güncel Doğal Dil İşleme Yaklaşımları

Uygulamalı Doğal Dil İşleme Projeleri

Doğal Dil İşlemede Etik, Önyargı ve Sorumlu Yapay Zeka Yaklaşımları

Temel Gereksinimler

Temel Python bilgisi ve Colab vb. çalışma ortamlarına erişim

Not: Program saatleri güncellenecektir.

Eğitimlerden yalnızca biri seçilmelidir.

⚠️ Her paket sınırlı kontenjanla sunulmaktadır. Katılımcı sayısının yeterli olmaması halinde, ilgili paket 6 Eylül 2025 itibarıyla iptal edilebilir. Bu durumda ücret iadesi yapılacaktır.

Derslere ait hazırlık bilgileri kursların altına eklenecektir.