PyTorch ile Derin Öğrenme: Kavramdan Uygulamaya

TANITIM YAZISI

Bu kitap, yalnızca bir derin öğrenme eğitimi sunmayı değil; sizi fikirden uygulamaya,

koddan projeye, modelden ürüne uzanan bütünlüklü bir yolculuğa çıkarmayı

amaçlıyor.

Yapay zekâ artık bir araştırma konusu olmaktan çıkıp gündelik hayatın merkezine

yerleşti. Görüntü tanıma, ses analizi, metin yorumlama, hastalık tahmini, üretim

hattı kontrolü gibi pek çok alanda derin öğrenme modelleri karar veriyor, yönlendiriyor

ve tahmin ediyor. Ancak bu sistemleri sadece kullanmakla kalmayıp sıfırdan

kurabilmek, doğru yöntemle eğitebilmek ve gerçek problemlere uygulayabilmek,

günümüz mühendislerinin ve araştırmacılarının sahip olması gereken temel bir beceri

hâline geldi.

İşte bu kitap, derin öğrenmeyi öğrenmek isteyen herkes için yalın, sistematik

ve pratik bir yaklaşım sunmak amacıyla hazırlandı. Konular, en temel kavramlardan

başlayarak adım adım yükselen bir yapıda işlenmiştir. Yapay sinir ağlarının nasıl çalıştığını anlamakla başlayıp, gerçek veri kümeleri üzerinde CNN, RNN, Transformer

gibi modellerin nasıl eğitileceğini, değerlendirileceğini ve optimize edileceğini

öğreniyorsunuz.

İÇİNDEKİLER

BÖLÜM 1 Derin Öğrenmenin Temelleri ve PyTorch’a Giriş

1.1. Yapay Zekâ (AI), Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) Nedir?

1.2. AI → ML → DL Arasındaki Hiyerarşik İlişki

1.3. Veriye Dayalı Öğrenme Türleri: Denetimli, Denetimsiz, Yarı Denetimli ve Pekiştirmeli Öğrenme

1.4. Makine Öğrenmesinde Model, Hipotez ve Fonksiyon Kavramları

1.5. Parametre ve Hiperparametre Arasındaki Fark: Kavramsal ve İşlevsel Bir Ayrım

1.6. Bias, Variance ve Generalization Nedir?

1.7. Aşırı Öğrenme (Overfitting), Yetersiz Öğrenme (Underfitting)

1.8. Derin Öğrenmeye Neden İhtiyaç Duyuldu?

1.9. Gerçek Dünya Uygulama Alanları: Görüntü, Metin, Ses, Sağlık, Finans

BÖLÜM 2 Sinir Ağlarının Yapısı ve Bileşenleri

2.1. Yapay nöron (Perceptron) ve çok katmanlı algılayıcı (MLP)

2.2. İleri Beslemeli Ağlar (Feedforward Networks)

2.3. Katman Türleri: Dense, Dropout, BatchNorm, Aktivasyon

2.4. Aktivasyon Fonksiyonları: Sigmoid, Tanh, Relu, Leakyrelu, GELU

2.5. Hesaplama Grafiği Ve Otomatik Türev

2.6. Parametre Güncelleme: Gradient Descent ve Türevleri (SGD, Adam, RMSprop)

2. 7. Kayıp (Loss) ve Maliyet (Cost) Fonksiyonları

2. 8. PyTorch Mimarisi: Modül, Katman, Tensör, Optimizer, Loss Function

BÖLÜM 3 Tensörler ve Pytorch Temelleri

3.1. Tensor Nedir? Vektör, Matris ve Yüksek Boyutlu Tensör Farkları

3.2. PyTorch tensör işlemleri

3.3. GPU Kullanımı ve CUDA Mimarisi

3.4. requires_grad, backward() ve .grad: Otomatik Türev Mekanizması (Autograd)

3.5. PyTorch ile NumPy Arasındaki Farklar

3.5. PyTorch’ta Random Seed Kontrolü ve Tekrar Üretilebilirlik (Reproducibility)

3.7. Basit Örnek: Tensör Tabanlı Lineer Regresyon (PyTorch)

BÖLÜM 4 PyTorch ile Eğitim Süreci ve Model Değerlendirme

4.1. Eğitim (Training) Ve Test (Inference) Aşamaları

4.2. Eğitim Döngüsü Nasıl Kurulur?

4.3. nn.Module ve forward() Fonksiyonu Nedir?

4.4. torch.optim ile Optimizer Kullanımı

4.5. Batch, Mini-Batch ve Epoch Kavramları

4.6. Öğrenme Oranı (Learning Rate) Seçimi ve Planlaması

4.7. model.train() ve model.eval() Modları

4.8. Early Stopping ve Model Checkpointing: Aşırı Öğrenmeye Karşı Stratejiler

BÖLÜM 5 Veri Hazırlama ve PyTorch Dataset API

5.1. PyTorch’ta torch.utils.data.Dataset ve DataLoader Sınıfları

5.2. Görüntü, Metin ve Zaman Serisi Verilerinin İşlenmesi

5. 3. torchvision.transforms ve Custom Transform Yazımı

5. 4. Data Augmentation Teknikleri: Random Crop, Flip, Noise, Blur

5. 5. Dönüştürme İşlemleri: ToTensor, Normalize ve Özel Ön İşleyiciler

5. 6. Batch Shuffle, num_workers ve Bellek Yönetimi

5. 7. Custom Dataset Sınıfı Oluşturma

BÖLÜM 6 Görüntü Tanıma için CNN (ConvolutIonal Neural Networks)

6.1. Konvolüsyon işlemi nedir?

6.2. Filtreler, Kernel, Padding, Stride Kavramları

6.3. Pooling ve Pooling Yöntemleri (Max, Average, Global Pooling)

6.4. Softmax ve Flatten Katmanları

6.5. Sınıflandırma Metrikleri

6.6. CNN Mimarisi ve bir Sınıflandırma Örneği

6.7. Feature Map Nedir?

6.8. nn.Sequential ile Model Yazımı

6.9. GPU ile Eğitim Örneği – Derin Öğrenmede Donanımın Gücünü Kullanmak

BÖLÜM 7 İleri Seviye CNN Yapıları ve Transfer Öğrenme

7.1. VGG, ResNet, DenseNet, EfficientNet Transfer Öğrenme Metotları

7.2. Residual Connection ve Bottleneck Yapısı

7.3. Pre-trained Model Kullanımı ve Fine-Tuning

7.4. Feature Extractor Olarak CNN Kullanımı

7.5. Transfer Öğrenme ile Küçük Veri Setlerinde Başarı Artırma

BÖLÜM 8 Düzenleme ve Aşırı Öğrenmeyi Önleme Teknikleri

8.1. Dropout ve SpatialDropout

8.2. L1 ve L2 Düzenleme (Weight Decay)

8.3. Batch Normalization

8.4. Early Stopping ve Learning Rate Scheduler

8.5. Model Karmaşıklığı Kontrolü (Parametre Sayısı)

BÖLÜM 9 RNN, LSTM, TCN ve GRU

9.1. Zaman Serisi Ve Doğal Dil İşleme Temelleri

9.2. nn.RNN, nn.LSTM ve nn.GRU Yapıları ve Farkları

9.3. Gizli Durum (Hidden State) ve Hücre Durumu (Cell State)

9.4. Sequence Veri Hazırlama (Padding, Pack_Padded)

9.5. Uygulama: Metin Üretimi, Duygu Analizi, Zaman Serisi Tahmini

BÖLÜM 10 Transformers ve Attentıon Mekanizmaları

10.1. Attention Nedir, Neden Kullanılır?

10.2. Self-Attention ve Multi-Head Attention

10.3. Transformer Mimarisinin Katmanları

10.4. BERT, GPT Gibi Modellerin Temelleri

10.5. Huggingface Transformers Ile Hazır Model Kullanımı

BÖLÜM 11 Doğal Dil İşleme (NLP) Uygulamaları

11.1. Tokenization Ve Embedding Kavramı

11.2. Word2Vec, Glove, Fasttext Kullanımı

11.3. Embedding Katmanı Ve Sequence Modelleme

11.4. Text Classification ve Sentiment Analysis

11.5. Sequence-To-Sequence Modeli ile Çeviri Örneği

BÖLÜM 12 Otomatik Kodlayıcılar (Autoencoders)

12.1. Encoder-Decoder Mantığı

12.2. Lineer ve Konvolüsyonel Autoencoder

12.3. Gürültülü Autoencoder (Denoising AE)

12.4. Latent Space Görselleştirme

12.5. VAE (Variational Autoencoder)

BÖLÜM 13 Generatıve Adversarıal Networks (GAN)

13.1. GAN Mimarisi: Generator vs Discriminator

13.2. Gerçek vs Sahte Örnek Üretimi

13.3. GAN Eğitim Dengesizlikleri ve Çözüm Yolları

13.4. Basit bir GAN ile Çiçek Üretimi

13.5. DCGAN, CycleGAN, StyleGAN Modeller

BÖLÜM 14 Model Kaydetme, Yükleme ve Servis Etme

14.1. torch.save() ve torch.load() Kullanımı

14.2. state_dict Mantığı

14.3. Eğitim Sonrası Modeli Inference (Çıkarım) İçin Hazırlama

14.4. Torchscript ve ONNX İle Model Taşınabilirliği

14.5. Model Versiyonlama Ve Üretim Ortamı Için

En Iyi Uygulamalar

BÖLÜM 15 Performans İzleme ve Model Takibi

15.1. torch.utils.tensorboard, matplotlib

15.2. Eğitim Eğrileri: Loss, Accuracy, Precision-Recall

15.3. AUC-ROC ve Confusion Matrix Görselleştirmeleri

15.4. Model Loglama ve Sürüm Takibi

BÖLÜM 16 Hiperparametre Optimizasyonu

16.1. Öğrenme Oranı, Dropout Oranı, Batch Size

16.2. Grid Search, Random Search, Bayesian Optimization

16.3. Optuna ve Ray Tune Tanıtımı

16.4. Otomatik Deney Yönetimi

BÖLÜM 17 PyTorch LIghtnIng ile Temiz Eğitim

17.1. PyTorch Lightning nedir?

17.2 LightningModule ve Trainer Sınıfı

17.3. Kodun Sadeleşmesi, Yeniden Kullanılabilirlik

17.4. Callback Yapıları İle Erken Durdurma ve Model Kaydı

17.5 Dağıtık Eğitim Desteği

BÖLÜM 18 Çoklu GPU ve Dağıtık Eğitim

18.1. DataParallel vs DistributedDataParallel

18.2. GPU Bellek Yönetimi

18.3. Batch Büyüklüğü Optimizasyonu

18.4 Eğitim Hızlandırma Teknikleri (Mixed Precision, AMP)

BÖLÜM 19 Gerçek Dünya Projeleri ve Endüstri Uygulamaları

19.1. Görüntü sınıflandırma

19.2. Sinyal Sınıflandırma (EKG)

19.3. NLP (metin analizleri, spam tespiti)

19.4. Anomali tespiti (finans, IoT, siber güvenlik) 335

BÖLÜM 20 Bitirme Projesi – Sıfırdan Model Geliştirme Süreci

20.1. Proje Fikri Oluşturma

20.2. Veri Keşfi ve Ön İşleme

20.4. Performans Değerlendirme

20.5. Sunum ve Model Deployment

Kaynaklar