Makine öğrenmesi ve derin öğrenme algoritmalarının temelini oluşturan vektör uzayları, matris çarpımları, Bayesyen olasılık ve türev/gradyan inişini Python ile uygulamalı öğrenin.
Yapay Zeka algoritmalarını "kara kutu" olmaktan çıkarın. Vektör gömmeleri (embeddings), matris ayrıştırma (SVD/PCA), olasılık dağılımları, hipotez testleri ve Gradient Descent optimizasyonunu canlı sınıfta bizzat kodlayın.
Vektör alanları, matris çarpımları, özdeğer/özvektörler (Eigenvalues/Eigenvectors) ve SVD temel altyapısı kurulur.
Rastgele değişkenler, olasılık dağılımları (Gaussian/Bernoulli), Bayes Teorisi ve Maximum Likelihood Estimation öğrenilir.
Hipotez testleri (p-value, z/t testleri), regresyon analizi, varyans-kovaryans matrisleri ve güven aralıkları incelenir.
Kısmi türevler, Jacobians, Hessians, Gradient Descent ve backpropagation optimizasyonu Python ile uygulanır.
PCA ile boyut indirgeme, cosinus benzerliği ile LLM vector embedding arama ve 3 bitirme projesi tamamlanır.
Derin öğrenme ve LLM mimarilerinin arkasındaki matematiksel mekanizmaları kavrar, modelleri bilinçli optimize edebilirsiniz.
Her hafta teslim edeceğiniz 2 uygulamalı Python/NumPy matematik lab'ı ile bilginizi pekiştirir ve 2. Seviye Bröve kazanırsınız.
Eğitim sonunda geliştireceğiniz 3 matematik odaklı AI projesi ile CV'nizi ve teknik portföyünüzü üst düzeye taşırsınız.
