| 1 | Yapay sinir ağlarının kökenlerini ve ileri beslemeli ağların, ağırlık ilklendirme ile modern optimizasyon algoritmalarının arkasındaki derin kavramsal ve geometrik mantığı analiz etmek. |
| 2 | Zaman serileri ve dizisel verilerin modellenmesinde kullanılan kapılı yinelemeli hücrelerin (LSTM, GRU) ve harici adreslenebilir gelişmiş bellek entegreli mimarilerin yapısal tasarımlarını incelemek. |
| 3 | Bilgi işlemede kullanılan özdikkat (self-attention) mekanizmalarını, konumsal kodlama (positional encoding) felsefesini ve çok başlı dikkat içeren Transformatör (Transformer) bloklarının bütünsel işleyişini kavramak. |
| 4 | Öklid dışı (non-Euclidean) düzensiz uzaylardaki ilişkisel verilerin Grafik Sinir Ağları (GNN) ile modellenmesini, grafik evrişim yöntemlerini ve bilgi grafikleri (Knowledge Graphs) üzerindeki mantıksal sorgulama teorilerini öğrenmek. |
| 5 | Derin olasılıksal üretici modellerin (VAE, Normalizing Flows, Enerji ve Skor Tabanlı Modeller) arkasındaki gizli değişken teorisini, ELBO çıkarımlarını, reparametreleştirme hilesini ve kesikli veri yayılım teorisini çözmek. |
| 6 | Yapay zekâ kararlarını şeffaflaştıran açıklanabilirlik (XAI) taksonomilerini (LIME, SHAP, Integrated Gradients) kavramak ve trilyon parametreli modellerin dağıtık donanımlar üzerinde paralel eğitilmesini sağlayan sistem seviyesindeki ölçekleme (DeepSpeed ZeRO, MoE) yöntemlerini analiz etmek. |