Eğitimin Amacı ve Kapsamı
Temel modelleri kurabilen ekipler için bir sonraki adım, performansı ve güvenilirliği sistematik biçimde artırmaktır. Program; boosting ve stacking stratejilerini, Optuna ile Bayesian hiperparametre araması, dengesiz sınıflar için yeniden örnekleme ve maliyet duyarlı öğrenmeyi, olasılık kalibrasyonunu ve iş hedefine göre tasarlanan loss fonksiyonlarını ele alır.
Çalışmalar kurumdan alınan ya da ona benzetilen bir vaka üzerinde yürür; her teknik baseline'a karşı ölçülür ve MLflow ile deney takibi yapılarak tekrarlanabilir bir deney raporu hazırlanır.
Kimler Katılmalı?
- Üretimde model geliştiren veri bilimciler
- ML mühendisleri ve analitik ekip liderleri
- Kantitatif analistler ve risk modelleme uzmanları
- Ön koşul: scikit-learn ile model eğitimi ve değerlendirme deneyimi
Kazanımlar
- Ensemble ve stacking yapılarını doğru validation şemasıyla kurmak
- Optuna ile verimli hiperparametre araması tasarlamak
- Dengesiz veri setlerinde iş maliyetine uygun eşik ve ağırlık seçmek
- Model olasılıklarını Platt scaling ve isotonic regression ile kalibre etmek
- Deneyleri MLflow ile izleyip karşılaştırılabilir raporlamak
Konular
Ensemble Yöntemleri ve Stacking
- Bagging, boosting ve blending karşılaştırması
- Out-of-fold tahminlerle sızıntısız stacking
Hiperparametre Optimizasyonu
- Grid, random ve Bayesian arama; Optuna pruning
- Nested cross-validation ile dürüst performans tahmini
Dengesiz Veri ve Maliyet Duyarlı Öğrenme
- SMOTE, class weight ve focal loss
- İş maliyetine göre karar eşiği belirleme
Kalibrasyon ve Özel Loss Fonksiyonları
- Reliability diagram, Brier score, isotonic regression
- Quantile ve asimetrik loss ile iş hedefine uygun eğitim
Deney Yönetimi ve Tekrarlanabilirlik
- MLflow ile deney, parametre ve artefakt takibi
- Vaka üzerinde baseline'a karşı iyileştirme raporu
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
