C/MOE : Makine Öğrenimi Esasları

4 gün (24 Saat) Orta Sınıf / Online Yapay Zeka ve Makine Öğrenimi

Makine Öğrenimi (Machine Learning - ML) bazı mesleklerin sonunu getirecek, bazı mesleklerin seyrini değiştirecek ve bazı yeni iş alanları oraya çıkaracak bir kavram ve hızla yükseliyor. Makine Öğrenimi alanında uzman olmak istemesek bile bu kavram hayatımızın her köşesinde yerini alacak ve her an Makine Öğrenimi çıktıları olan Yapay Zekaya maruz kalacağız. İster ML tüketicisi, ister üreticisi olalım Makine Öğrenimi kavramı hakkında her geçen gün daha fazla şey bilmemiz gerekecek. "Makine Öğrenimi Esasları" eğitiminde arkaplandaki ileri matematiği sezgisel boyutta ele alıp işin dinamiklerine vakıf oluyor, Python dilini kullanarak çeşitli uygulamalar ile Makine Öğrenimi üzerindeki gizemi kaldırıyoruz.

Eğitim İçeriği

Module 1: Veri Analitiği

  • Analitikte İnsani Hatalar
  • Veri Analitiği Tipleri
  • Veri Analizi Süreci
  • Veri Yönetimi Mimarileri
  • Veri Bilimi ve Veri Bilimcisi

Module 2: Machine Learning Kavramları

  • AI, ML, RP, DL Tanımları
  • ML Problem Tipleri ve Teknikleri
  • ML Yaklaşımları (Generative, Discriminative)
  • Data Science / ML Süreci Yaşam Döngüsü
  • MLOps Olgunluk Seviyeleri
  • ML Araçları ve Platformlar
  • AI Hizmetleri

Module 3: ML Yaşam Döngüsü

  • İşi Anlama
  • Veri Sorumlulukları
  • Veriyi Anlama
  • Veri Keşfi
  • Veri Kalitesi Ölçme ve İyileştirme
  • Verinin Hazırlanması
  • Feature Engineering ve Feature Selection Çalışmaları
  • Örneklem Seçimi ve Örneklem Hacmi Belirleme
  • Modelleme
  • Train, Test, Validation, Cross Validation
  • Algoritma Nasıl seçilir
  • Maliyet Bazlı Yaklaşım ve Maliyet Fonksiyonları
  • Optimizasyon Algoritmaları
  • Gradient Descent ile Optimizasyon
  • Bazı Populer Algoritmaların Çalışma Mantığı
  • Variance,Bias, Trade-off, Overfit, Underfit
  • Hyperparameter Tuning
  • Ensemple Learning
  • Eğitilmiş Model Başarısını Değerlendirme
  • Regression Metrikleri
  • Classification Metrikleri ve ROC, Lift, Precision/Recall Grafikleri
  • Clustering Metrikleri
  • Modellerin Yayınlanması
  • Real-Time, Batch Inference
  • Data/Model Drift
  • Model Explainer

Module 3: Python ile Makine Öğrenimi

  • Sık Kullanılan Paketler
  • Scikit-Learn Paket Bileşenleri
  • Verinin Hazırlanması
  • Train/Test Ayrımı
  • Algoritma Seçme
  • Model Eğitme ve İyileştirme
  • Tahminleme
  • Modelin Değerlendirilesi
  • Modelin Kaydedilmesi
  • Pipeline Kullanımı

Module 4: Regression

  • Regression ve Türleri
  • Regression Algoritmaları
  • Simple/Multiple, Linear/Non-Linear Regression
  • Regression Uygulamaları

Module 5: Classification

  • Classification Algoritmaları
  • Logistic Regression
  • KNN Algoritması
  • Decision Tree Algoritmaları
  • Perceptron Algoritması
  • Support Vector Macine Algoritması
  • Kernel Tricks
  • Classification Uygulamaları

Module 6: Clustering

  • Clustering Algoritmaları
  • K-Means Algoritması
  • Hierarchical Clustering
  • Uzaklık Metrikleri
  • Density-Based Clustering
  • Clustering Uygulamaları

Module 7: Representation Learning

  • Dimensionality Reduction
  • Projection Reconstruction
  • Princial Component Analysis
  • Spectral Decomposition

Module 8: Recommendation

  • Recommendation için Yaklaşımlar
  • Content-Based Recommendation
  • Collaborative Filtering
  • Recommendation Uygulamaları

Module 9: Time Series Analysis (Bonus)

  • Mevsimsel, Konjonktürel ve Düzensiz Dalgalanmalar
  • Basit Ortalamalar, Hareketli Ortalamalar, Üssel Düzgünleştirme
  • Hareketli Ortalamalar Yöntemi ile Trend Analizi
  • En Küçük Kareler Yöntemi ile Trend Analizi
  • Dalgalanmaların Trende Oranlanması Yöntemi
  • Standart Hata

Module 10: Derin Öğrenmeye Giriş

  • Autoencoder Tipleri
  • Manifold Kavramı
  • Independent Component Analysis
  • Neural Networks Algoritmaları
  • Backpropagation, Early Stoping, Dropout
  • Neural Networks Uygulamaları

Öncesinde Önerilenler

Sonrasında Önerilenler