Eğitimin Amacı ve Kapsamı
Para transferleri, ortak cihaz/IP kullanan hesaplar, tedarik zinciri bağımlılıkları veya müşteri-ürün etkileşimleri tablo satırlarına sıkıştırıldığında en değerli sinyal olan bağlantı yapısı kaybolur. Bu program; işlem ve varlık tablolarından homojen ve heterojen çizge (graph) kurmayı, PageRank, betweenness ve Louvain/Leiden topluluk tespiti ile klasik çizge özelliklerini, Node2Vec gibi embedding yöntemlerini ve PyTorch Geometric (PyG) ile GraphSAGE, GCN, GAT modellerini kapsar.
Ne zaman GBDT'ye eklenen çizge istatistiklerinin yeterli olduğu, ne zaman uçtan uca Graph Neural Network (GNN) gerektiği karşılaştırmalı olarak gösterilir. Katılımcılar sahtekarlık halkası, risk bulaşması veya bağlantı tahmini senaryosu üzerinde çalışan bir çizge modeli ve değerlendirme raporu üretir.
Kimler Katılmalı?
- Veri bilimciler ve ML mühendisleri
- Fraud, AML (kara para aklama önleme), siber güvenlik ve istihbarat analitiği ekipleri
- Tedarik zinciri, telekom ağları ve öneri sistemi geliştiricileri
- Ön koşul: Python, makine öğrenmesi ve temel PyTorch bilgisi
Kazanımlar
- İlişkisel tablolardan doğru düğüm, kenar ve zaman damgalı heterojen çizge şeması tasarlamak
- Merkeziyet, k-core, motif ve topluluk özelliklerini çıkarıp tablo modellerini güçlendirmek
- PyTorch Geometric ile düğüm sınıflandırma ve link prediction için GraphSAGE ve GAT eğitmek
- Büyük çizgelerde komşu örnekleme (NeighborLoader) ve zamansal sızıntı kontrolü uygulamak
- Tablo + çizge özelliği yaklaşımı ile uçtan uca GNN performansını iş metriğiyle kıyaslamak
Konular
Tablodan Çizgeye: Şema ve Ağ Analitiği
- Bipartite, çoklu kenar ve heterojen çizge tasarımı
- Degree, PageRank, betweenness ve Louvain/Leiden topluluk tespiti
Çizge Özellik Mühendisliği ve Embedding
- Komşuluk agregasyonları, ego-net istatistikleri ve risk yayılımı
- Random walk tabanlı Node2Vec ve DeepWalk temsilleri
Mesaj Geçişi ve Graph Neural Networks (GNN)
- GCN, GraphSAGE ve Graph Attention Networks (GAT)
- Over-smoothing problemi ve katman derinliği seçimi
PyTorch Geometric ile Düğüm ve Bağlantı Tahmini
- HeteroData ile çok tipli düğüm ve kenar modelleme
- Link prediction, negatif kenar örnekleme ve zamansal ayrım
Ölçekleme ve Kurumsal Uygulama
- NeighborLoader ile mini-batch eğitim ve çıkarım gecikmesi
- Vaka: GBDT + çizge özellikleri vs GNN karşılaştırma raporu
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
