->
Udemy - Python ile Yapay Zeka: A'dan Z'ye Reinforcement Learning (7)
Udemy - Python ile Yapay Zeka: A'dan Z'ye Reinforcement Learning (7)

Merhaba arkada?lar,


Description

Bu kurs 7 adımlık Yapay Zeka yolculuğumuzun nihai hedefi olan Yapay Zeka (Reinforcement Leaning) kursudur.

  • Python: Python Sıfırdan Uzmanlığa Programlama (1)

  • Data Science ve Python: Sıfırdan Uzmanlığa Veri Bilimi (2)

  • Data Visualization: A'dan Z'ye Veri Görselleştirme (3)

  • Machine Learning ve Python: A'dan Z'ye Makine Öğrenmesi (4)

  • Deep Learning (Derin Öğrenme)   

  • Statistical Learning (İstatistik)   

  • Artificial Intelligence (Yapay Zeka)   

  • Bu Kurs ile Alacaklarınız

  • Sıfırdan Kodlama Becerisi: Sizinle birlikte kod yazıyoruz. Her ders boş bir sayfa ile başlar ve kodu sıfırdan yazarız. Bu şekilde ilerleyebilir ve kodun nasıl bir araya geldiğini ve her satırın ne anlama geldiğini tam olarak anlayabilirsiniz.

  • Kodlar ve Şablonları: Kursta oluşturduğumuz her Python şablonlarını ve kodunu indirebilirsiniz. Bu, sizlere hem daha sonra kod üzerinde pratik yapma hem de kendi projelerinizi şablon sayesinde daha kolay bir şekilde yaratma imkanı sağlayacaktır

  • Teori ve Mantık: Size yalnızca kod yazmayı değil, hem yazdığımız kodun arkasında yatan mantığı ve teoriyi hem de neden böyle bir kod yazdığımızı anlatıyoruz.

  • Kurs içi destek: Size sadece video ile ders anlatımı yapmıyoruz. Size destek olmak için profesyonel Veri Bilimcilerinden oluşan bir ekip oluşturduk. Bu da ders ve ya ders dışı sorularınıza en fazla 72 saat içinde yanıt alacağınız anlamına geliyor.

  • Yapay Zeka(Reinforcement Leaning) kursu içeriği:   

    • Giriş Bölümü

      • Reinforcement Learning Giriş

      • Anaconda ve Python Kurulumu

      • Kurs kaynaklarının gösterimi

    • Q-Learning

      • Agent-Environment-State-Action-Reward

      • Bellman Equation

      • Deterministic vs Stochastic

      • Markov Decision Process

      • Q-Learning

      • Temporal Difference

      • Q-Table/Algoritma

      • Exploitation vs Exploration

      • Living Penalty

      • Taxi Projesi

      • Frozen Lake Projesi

    • Deep Q-Learning

      • Q-Learning vs Deep Q-Learning

      • Deep Q-Learning

      • Experience Replay

      • Adaptive Epsilon Greedy

      • Cart Pole Projesi

      • Lunar Lander Projesi

    • Envrionement Design

      • Game Design

      • Player-Sprite-Enemy

      • Collision

      • Environment Design

      • DQL Algoritması

      • Yapay Zeka eğitimi ve sonuçları

    • Deep Convolutional Q-Learning

      • Yayın aşamasında !

    İçeriğin İngilizce olması sizi yanıltmasın arkadaşlar. Derslerim tamamen Türkçedir.   

    Hemen kaydolun ve bir an önce başlayalım.

    Bu kurs kimler için uygun:
    • Yapay Zeka öğrenmek isteyen herkes
    • Yapay Zeka öğrenerek kendini geleceğe hazırlamak ve geleceği şekillendirmek isteyen herkes

    Course content

    • Reinforcement Learning Giriş
      • Reinforcement Learning Ders Programı
      • Reinforcement Learning Nedir?
      • Reinforcement Learning Popüleritesi
      • Kurulumlar: Anaconda, Python, Keras, Gym, Pygame, Pybox2d
      • GitHub: Kaynaklar
      • İndirilebilir Kaynaklar
    • Q-Learning
      • Q-Learning Ders Programı
      • Q-Learning Nedir?
      • State (Durum)
      • Action (Hareket)
      • Reward (Ödül)
      • Q-Learning Taxi Environment Projesi: Giriş
      • Q-Learning Taxi Environment Projesi: Gym-1
      • Q-Learning Taxi Environment Projesi: Gym-2
      • Bellman Equation (Bellman Denklemi)
      • Deterministic vs Stochastic Environments
      • Markov Decision Process (MDP)
      • Q-Learning
      • Temporal Difference (TD)
      • Q-Learning Algoritması ve Q-Table
      • Exploitation vs Exploration
      • Living Penalty
      • Q-Learning Proje 1: Taxi Environment Şablon
      • Q-Learning Taxi Environment Projesi: Q-Learning Giriş
      • Q-Learning Taxi Environment Projesi: Action (Hareket)
      • Q-Learning Taxi Environment Projesi: Q-Learning Fonksiyonu
      • Q-Learning Taxi Environment Projesi: Görselleştirme
      • Q-Learning Taxi Environment Projesi: Q-Table Yorumlama
      • Q-Learning Frozen Lake Environment Projesi
      • Q-Learning Frozen Lake Environment Projesi Kodları
      • Q-Learning Sonuç
    • Deep Q-Learning (DQL)
      • Deep Q-Learning Ders Programı
      • Q-Learning vs Deep Q-Learning (DQL)
      • ANN Review (Yapay Sinir Ağları Gözden Geçirme)
      • Deep Q-Learning-1
      • Deep Q-Learning -2
      • Experience Replay
      • Adaptive Epsilon Greedy
      • DQL Cart Pole Environment Projesi: Giriş
      • DQL Cart Pole Environment Projesi: Template (Şablon)
      • DQL Cart Pole Environment Projesi: Template Coding (Şablon Kodlama)
      • DQL Cart Pole Environment Projesi: Deep Q-Learning Main
      • DQL Cart Pole Environment Projesi: Initializer
      • DQL Cart Pole Environment Projesi: Adaptive Epsilon Greedy
      • DQL Cart Pole Environment Projesi: Remember (Depolama)
      • DQL Cart Pole Environment Projesi: Build Model (Agent)
      • DQL Cart Pole Environment Projesi: Acting (Hareket)
      • DQL Cart Pole Environment Projesi: Replay (Tekrarlama)
      • DQL Cart Pole Environment Projesi: Test
      • DQL Lunar Lander Environment Projesi
      • DQL Lunar Lander Environment Projesi Kodları
      • Deep Q-Learning Sonuç
    • Reinforcement Learning Environment Design
      • Nesne Tabanlı Programlama Gözden Geçirme
      • RL Environment Design Ders Programı
      • Neden Kendi Environment'ımız?
      • Oyun Design
      • Environment Template(Şablon)
      • Sprite
      • Player
      • Enemy
      • Collide
      • Agent AI Model
      • Environment Initializer - Step Methods
      • Environment Initial State Method
      • DQL Algorithm
      • Training ve Results
      • RL Environment Design Sonuç
    • Deep Convolutional Q-Learning
      • Convolutional Neural Network (CNN) Gözden Geçirme
      • Deep Convolutional Q-Learning Nedir?
      • Pong Oyunu Kodlama Planı
      • Environment Design Sabit Değişkenler
      • Pong Oyunu İnitializer Metodu
      • Pong Oyunu İnitializer Display Metodu
      • Pong Oyunu Update Metodu
      • Pong Oyunu Move Metodu
      • Pong Oyunu Agent Sabit Değişkenler
      • Pong Oyunu Agent İnitializer Metodu
      • Pong Oyunu Agent Neural Network Modeli
      • Pong Oyunu Agent Choose Action
      • Pong Oyunu Agent Capture Images
      • Pong Oyunu Agent Process Metodu
      • Pong Oyunu Train Agent Sabit Değişkenler
      • Pong Oyunu Train Agent Resim Preprocess
      • Pong Oyunu Train Agent Model Eğitimi
      • Pong Oyunu Train Agent Sonuçlar
      • DCQL Sonuç
    • Reinforcement Learning Sonuç
      • Kendinize İyi Bakın
    • BONUS
      • İNDİRİM: TÜM DERSLER
    • EK-1: Artificial Neural Network (Yapay Sinir Ağları)
      • Gözden Geçirme/Opsiyonel Ders
      • Artificial Neural Network Genel Bakış
      • Artificial Neural Network Nedir
      • Artificial Neural Network Computation Graph
      • 2-Layer Neural Network
      • Initializing Parameters
      • Forward Propagation
      • Loss and Cost Functions
      • Backward Propagation
      • Update Parameters
      • Prediction
      • Create ANN Model
      • L-Layer Neural Network
      • Neural Network with Keras
      • Neural Network with Pytorch
      • Neural Network Tensorflow Playground
    • EK 2: Nesne Tabanlı Programlama
      • Gözden Geçirme/Opsiyonel Ders
      • Sınıflar/Classes
      • Nitelikler/Attributes
      • Metodlar
      • Metotlar vs Fonksiyonlar
      • Yapıcı/Constructor/Initializer
      • Hesap Makinesi Projesi
      • Hesap Makinesi Ödevi
      • Kapsülleme/Encapsulation
      • Miras/Inheritance
      • Inheritance Projesi
      • Soyut Sınıflar/Abstract Classes
      • Overriding
      • Polymorphism
      • Final Projesi
    • EK-3: Convolutional Neural Network (CNN)
      • Gözden Geçirme/Opsiyonel Ders
      • Convolutional Neural Network Genel Bakış
      • Dataset ve CNN Kernel
      • Loading Data Set
      • Normalization - Reshape - Label Encoding
      • Train - Test Split
      • Convolutional Neural Network (CNN)
      • Convolution Operation Nedir
      • Same Padding
      • Max Pooling
      • Flattening
      • Fully Connected
      • CNN Implementing with Keras
      • Create Model
      • Adam Optimizer
      • Compiler
      • Batch and Epoch
      • Data Augmentation
      • Fit the Model
      • Evaluate the Model
      • CNN with Pytorch

    Python.ile.Yapay.Zeka.Adan.Zye.Reinforcement.Learning.7.part1.rar

    Python.ile.Yapay.Zeka.Adan.Zye.Reinforcement.Learning.7.part2.rar


     TO MAC USERS: If RAR password doesn't work, use this archive program: 

    RAR Expander 0.8.5 Beta 4  and extract password protected files without error.


     TO WIN USERS: If RAR password doesn't work, use this archive program: 

    Latest Winrar  and extract password protected files without error.


     Coktum   |  

    Information
    Members of Guests cannot leave comments.




    rss