∴
Deep Learning Specialization kursunu tamamlarken aldığım detaylı notlar — ileride başvurmak üzere kritik konseptlerin özeti.
Stanford Üniversitesi & DeepLearning.AI
Ders & Not Genel Bakışı
Bu çalışma, Deep Learning Specialization bünyesindeki 5 ders boyunca çıkardığım kapsamlı ve teknik notları içermektedir. Notlar basit ders özetlerinden ziyade; matematiksel türetimler, mimari sezgiler, pratik hiperparametre ayarlama stratejileri ve modern derin öğrenme hatlarına dair kritik konseptlere odaklanmaktadır.
| # | Ders | Temel Odak & Not İçeriği |
|---|---|---|
| 1 | Sinir Ağları ve Derin Öğrenme | Vektörel ileri/geri yayılım türetimleri, aktivasyon fonksiyonları, maliyet optimizasyonu ve çok katmanlı mimari temelleri. |
| 2 | Derin Sinir Ağlarını İyileştirme | Hiperparametre optimizasyonu, düzenlileştirme (Dropout, L2), gelişmiş optimizatörler (Momentum, RMSprop, Adam) ve Batch Normalization. |
| 3 | Makine Öğrenmesi Projelerini Yapılandırma | Hata analizi stratejileri, train/dev/test dağılım uyumsuzlukları yönetimi ve uçtan uca ML sistem tasarımı. |
| 4 | Konvolüsyonel Sinir Ağları | Konvolüsyon matematiği, klasik ve modern omurgalar (ResNet, MobileNet), nesne tespiti (YOLO), semantik segmentasyon (U-Net) ve stil transferi. |
| 5 | Sequence Modelleri | RNN, GRU ve LSTM ile zamansal modelleme, dikkat (attention) mekanizmaları, Transformer mimarileri ve NLP gömmeleri. |
— emreaslan —