Eğitimin Amacı ve Kapsamı
Tablo verisinde model başarısını çoğu zaman algoritma değil, özelliklerin kalitesi belirler. Program; kategorik değişkenler için one-hot, ordinal ve target encoding, tarih ve zaman pencereleriyle agregasyon özellikleri, oran ve etkileşim terimleri, metin ve coğrafi veriden özellik çıkarımı ile permutation importance ve SHAP tabanlı feature selection konularını kapsar.
Point-in-time doğruluğu ve veri sızıntısını önleme her adımda vurgulanır. Katılımcılar kurum vakasına uyarlanmış veride tekrar kullanılabilir bir feature pipeline'ı geliştirir ve Feast gibi bir feature store ile nasıl paylaşılacağını görür.
Kimler Katılmalı?
- Veri bilimciler ve ML mühendisleri
- Model verisini hazırlayan veri mühendisleri
- Risk, pazarlama ve operasyon analitiği ekipleri
- Ön koşul: pandas ve scikit-learn ile çalışma deneyimi
Kazanımlar
- Kategorik ve yüksek kardinaliteli değişkenler için doğru encoding yöntemini seçmek
- Zaman pencereli agregasyon özelliklerini sızıntı olmadan üretmek
- Özellik etkisini ablation ve SHAP ile ölçmek
- scikit-learn ColumnTransformer ile tekrar kullanılabilir feature pipeline'ı kurmak
- Eğitim ve servis arasındaki training-serving skew riskini yönetmek
Konular
Sayısal ve Kategorik Dönüşümler
- Ölçekleme, log ve binning dönüşümleri
- One-hot, ordinal, target ve frequency encoding
Zaman Tabanlı Özellikler
- Lag, rolling window ve recency-frequency özellikleri
- Point-in-time join ile sızıntıyı önleme
Etkileşim, Metin ve Coğrafi Özellikler
- Oran, fark ve etkileşim terimleri
- TF-IDF, embedding ve konum verisinden özellik çıkarımı
Feature Selection
- Filter, wrapper ve embedded yöntemler
- Permutation importance, SHAP ve ablation testleri
Feature Pipeline ve Feature Store
- ColumnTransformer ile tekrar kullanılabilir pipeline
- Feast ile online/offline özellik paylaşımı ve training-serving skew
Bu Kategorideki Diğer Eğitimler
-
Doğru metrik seçimi, iş metriğine bağlı değerlendirme, hata analizi, fairness kontrolleri ve SHAP, LIME, PDP ile model açıklama; geliştirilen modellerin paydaşlara güvenilir ve anlaşılır biçimde sunulmasını sağlar.
- Canlı Kurs
- 5 modül
-
Bağımsız model validation süreci: veri ve kavramsal sağlamlık kontrolü, backtesting, stabilite (PSI), benchmark modeller, stres testleri ve bulgu raporlaması; model risk yönetimi çerçevesine uygun validation raporu üretilir.
- Canlı Kurs
- 5 modül
-
ARIMA, ETS, Prophet ve LightGBM tabanlı yaklaşımlarla zaman serisi tahmini; mevsimsellik, dış değişkenler, hiyerarşik seriler, backtesting ve tahmin aralıkları üzerinde uygulamalı çalışarak güvenilir forecast modelleri kurulur.
- Canlı Kurs
- 5 modül
-
İstatistiksel yöntemler, Isolation Forest, LOF, autoencoder ve zaman serisi anomali teknikleriyle etiketsiz veride olağandışı davranışları yakalama; eşik belirleme, alarm yorgunluğu ve değerlendirme stratejileri dahil.
- Canlı Kurs
- 5 modül
-
Uygulamalı Makine Öğrenmesi
Scikit-learn, XGBoost, LightGBM ve CatBoost ile uçtan uca makine öğrenmesi pipeline'ları, özellik mühendisliği, Optuna ile hiperparametre optimizasyonu ve SHAP/LIME ile model açıklanabilirliği.
- Canlı Kurs
- 3 modül
-
Ödeme, sigorta ve hesap sahtekarlığı için davranışsal özellikler, gradient boosting, anomali skorları ve kural-model hibrit yapılar; aşırı dengesiz veri, gecikmeli etiketler ve operasyonel eşik yönetimi uygulamalı işlenir.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
