Eğitimin Amacı ve Kapsamı
Kullanıcı davranışı, piyasa koşulları veya dolandırıcılık kalıpları dakikalar içinde değiştiğinde, haftalık batch yeniden eğitim döngüleri geride kalır. Bu eğitim; örnek-örnek veya mini-batch akan veride çalışan online makine öğrenmesi algoritmalarını (online lojistik regresyon, Hoeffding Trees, Adaptive Random Forest), River kütüphanesini, akan özellik istatistiklerini ve test-then-train (prequential) değerlendirmeyi kapsar.
ADWIN, DDM ve Page-Hinkley ile gerçek zamanlı concept drift tespiti, gecikmeli etiket (delayed feedback) yönetimi ve hızlı geri bildirimli kararlar için contextual bandit modelleri uygulamalı işlenir. Katılımcılar batch baseline ile online/hibrit güncellenen bir modeli kayan veri akışı üzerinde karşılaştıran mimari ve deney çıktısı üretir.
Kimler Katılmalı?
- Gerçek zamanlı tahmin ve skorlama sistemleri geliştiren veri bilimciler ve ML mühendisleri
- Fraud, dinamik fiyatlama, öneri ve IoT telemetri ekipleri
- Kafka/Flink tabanlı veri akışları üzerinde analitik kuran platform mühendisleri
- Ön koşul: Python ve makine öğrenmesi temelleri
Kazanımlar
- Ne zaman periyodik batch yeniden eğitim, ne zaman gerçek online öğrenme gerektiğini belirlemek
- River ile akan veride artımlı ön işleme, özellik çıkarımı ve model güncellemesi kurmak
- Prequential (test-then-train) değerlendirme ve gecikmeli etiket hizalamasını doğru uygulamak
- ADWIN ve Page-Hinkley dedektörleriyle concept drift yakalayıp otomatik adaptasyon tetiklemek
- Canlı güncellenen modellerde felaket unutmayı (catastrophic forgetting) ve bozuk veri riskini guardrail'lerle sınırlamak
Konular
Batch vs Online Öğrenme ve Akış Paradigması
- Sabit bellek ve tek geçiş (single-pass) kısıtları
- River ile akan standartlaştırma, hedef kodlama ve pencere istatistikleri
Artımlı (Incremental) Algoritmalar
- SGD tabanlı doğrusal modeller, пасif-agresif öğrenme
- Hoeffding Tree, Hoeffding Adaptive Tree ve Adaptive Random Forest
Prequential Değerlendirme ve Gecikmeli Etiketler
- Test-then-train döngüsü ve kayan pencere metrikleri
- Etiket gecikmesi (verification latency) ve önem ağırlıklandırma
Concept Drift Tespiti ve Adaptasyon
- Ani, kademeli ve tekrarlayan drift; ADWIN, DDM, Page-Hinkley
- Drift tetiklemeli yeniden eğitim, gölge model ve contextual bandit
Üretim Güvenliği ve Hibrit Mimariler
- Warm-start batch + online düzeltme katmanı
- Anormal veri akışına karşı güncelleme dondurma ve geri alma (rollback)
Bu Kategorideki Diğer Eğitimler
-
NetworkX ve PyTorch Geometric ile ilişkisel veride modelleme: merkeziyet ve topluluk algoritmaları, çizge özellikleri, Node2Vec, GCN/GraphSAGE/GAT ile düğüm, bağlantı ve alt-çizge tahmini; sahtekarlık halkaları ve tedarik ağları.
- Canlı Kurs
- 5 modül
-
TabPFN v2 ile tablo verisinde in-context learning; Chronos, TimesFM, Moirai ve Lag-Llama ile zero-shot/fine-tuned zaman serisi tahmini; GBDT ve klasik modellere karşı hız, doğruluk ve maliyet karşılaştırması.
- Canlı Kurs
- 5 modül
-
Supervised ve unsupervised öğrenme, train/test ayrımı, overfitting, temel metrikler ve scikit-learn ile ilk modeller; teknik ekiplerin bir iş problemini doğru ML problemine çevirip baseline kurmasını sağlar.
- Canlı Kurs
- 5 modül
-
Gradient boosting, ensemble ve stacking, Optuna ile hiperparametre optimizasyonu, dengesiz veri, kalibrasyon ve özel loss fonksiyonları; deneyimli veri bilimcilerin üretim kalitesinde model geliştirmesine odaklanır.
- Canlı Kurs
- 5 modül
-
Analistler için segmentasyon, driver analizi, anomali işaretleme ve basit tahmin modelleriyle klasik raporlamanın ötesine geçme; Python, scikit-learn ve SHAP ile içgörüyü iş kararına bağlayan analizler üretilir.
- Canlı Kurs
- 5 modül
-
Kategorik encoding, zaman ve pencere tabanlı özellikler, target encoding, etkileşim ve metin özellikleri, feature selection ve feature store kullanımı; tablo verisinde model performansını en çok artıran adımı sistematikleştirir.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
