Eğitimin Amacı ve Kapsamı
Standart tahmin modelleri geçmiş korelasyonları öğrenir; ancak "fiyatı düşürürsek satış ne kadar artar?" ya da "bu kredi limit artışı temerrüdü nasıl etkiler?" gibi müdahale (intervention) sorularında korelasyon yanıltıcıdır. Bu program; nedensel grafikler (DAG), karıştırıcı değişkenler (confounders), seçim yanlılığı, propensity score eşleştirme/ağırlıklandırma (IPW), Double/Debiased Machine Learning (DML) ve Causal Forest ile bireysel etki (CATE) tahminini ele alır.
Rastgele deneyin mümkün olmadığı durumlar için Difference-in-Differences, Synthetic Control ve Instrumental Variables yöntemleri ile DoWhy ve EconML kütüphaneleri uygulamalı kullanılır. Katılımcılar gözlemsel kurum verisi üzerinde müdahale etkisi ve duyarlılık (refutation) raporu üretir.
Kimler Katılmalı?
- Kıdemli veri bilimciler ve ekonomistler/ekonometristler
- Fiyatlama, pazarlama etkisi, risk politikası ve ürün analitiği ekipleri
- Strateji ve karar bilimi (decision science) uzmanları
- Ön koşul: İstatistik, regresyon ve Python ile makine öğrenmesi deneyimi
Kazanımlar
- İş problemini nedensel grafik (DAG) ile çizip karıştırıcı ve collider değişkenleri ayırmak
- Gözlemsel veride IPW, Doubly Robust ve Double ML ile ortalama müdahale etkisini (ATE) tahmin etmek
- EconML ve Causal Forest ile hangi müşteri/segmentin müdahaleden ne kadar etkileneceğini (CATE) bulmak
- DiD ve Synthetic Control ile bölgesel veya zamansal politika değişikliklerini değerlendirmek
- DoWhy refutation ve duyarlılık testleriyle nedensel tahminin sağlamlığını sınamak
Konular
Nedensel Çerçeve, Potansiyel Sonuçlar ve DAG
- Tahmin vs müdahale, Simpson paradoksu ve seçim yanlılığı
- Backdoor kriteri, confounder, mediator ve collider yapıları
Gözlemsel Veride ATE Tahmini
- Propensity score, IPW ve Doubly Robust (AIPW) tahminleyiciler
- Overlap (positivity) kontrolü ve ağırlık kırpma
Double ML ve Heterojen Etkiler (CATE)
- EconML ile Double/Debiased ML ve meta-learner'lar (S/T/X/R-learner)
- Causal Forest ile kişiselleştirilmiş politika ve fiyat esnekliği
Yarı-Deneysel (Quasi-Experimental) Yöntemler
- Difference-in-Differences (DiD) ve paralel trend varsayımı
- Synthetic Control, Regression Discontinuity ve Instrumental Variables
Doğrulama, Refutation ve Karar Politikası
- DoWhy ile plasebo müdahale, rastgele ortak neden ve alt küme testleri
- Maliyet kısıtı altında optimal hedefleme politikası öğrenme
Bu Kategorideki Diğer Eğitimler
-
Ham veriyi merkezileştirmeden kurumlar veya uç cihazlar arasında ortak model eğitimi: Flower framework, FedAvg/FedProx, non-IID veri, diferansiyel gizlilik (Opacus) ve güvenli agregasyon ile KVKK uyumlu işbirliği.
- Canlı Kurs
- 5 modül
-
Makine Öğrenmesine Giriş - Regresyon Modelleri
Linear, Ridge, Lasso ve Polynomial regresyon modellerinin matematiksel temelleri, özellik mühendisliği, MSE/RMSE/MAE/R² başarı metrikleri ve overfitting/regularization teknikleri.
- Canlı Kurs
- 3 modül
-
River kütüphanesi ile akan veride artımlı (incremental) öğrenme, prequential değerlendirme, ADWIN/Page-Hinkley ile concept drift tespiti ve contextual bandit; gerçek zamanlı sistemlerde kesintisiz adaptasyon sağlanır.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
