Eğitimin Amacı ve Kapsamı
Notebook'ta iyi sonuç veren modellerin önemli bir kısmı, veri sızıntısı, dengesiz sınıflar veya açıklanamayan kararlar nedeniyle canlıya çıkamaz. Bu program, temel modellemeyi bilen ekipleri güvenilir, açıklanabilir ve izlenebilir modeller üretme seviyesine taşır.
İleri feature engineering, gradient boosting yöntemleri, Optuna ile hiperparametre araması, dengesiz veri teknikleri, zaman serisi tahmini, SHAP ile model açıklama ve MLflow ile deney ve model kaydı uygulamalı olarak işlenir. Katılımcılar kurumun bir tahmin problemini uçtan uca modelleyip, karşılaştırmalı deney raporu ve model kartı (model card) taslağı hazırlar.
Kimler Katılmalı?
- Aktif olarak model geliştiren veri bilimciler
- Model kalitesinden ve canlıya alıştan sorumlu makine öğrenmesi mühendisleri
- Analitik ekiplerine teknik liderlik yapan kıdemli analistler
- Ön koşul: Python, pandas, scikit-learn ve temel istatistik deneyimi
Kazanımlar
- Veri sızıntısını önleyen doğru cross-validation stratejisi kurar
- XGBoost/LightGBM modellerini Optuna ile optimize eder
- Dengesiz sınıf problemlerinde uygun metrik ve örnekleme tekniğini seçer
- Zaman serisi tahmini için backtesting yapar
- SHAP değerleriyle model kararlarını iş birimlerine açıklar
- MLflow ile deneyleri, parametreleri ve model versiyonlarını kayıt altına alır
Konular
İleri Feature Engineering ve Doğrulama Stratejileri
- Target encoding, etkileşim feature'ları
- Grup ve zaman bazlı cross-validation, veri sızıntısı
Gradient Boosting ve Hiperparametre Optimizasyonu
- XGBoost, LightGBM, CatBoost karşılaştırması
- Optuna ile Bayesçi arama
Dengesiz Veri ve Maliyet Duyarlı Modelleme
- PR-AUC, eşik seçimi ve iş maliyeti
- Class weight ve örnekleme teknikleri
Zaman Serisi Tahmini
- Trend, mevsimsellik ve lag feature'ları
- Backtesting ve tahmin aralıkları
Açıklanabilirlik ve Model Kartı
- SHAP ve partial dependence
- Model card ile varsayım ve sınırların belgelenmesi
MLflow ile Deney Takibi
- Deney, parametre ve artifact kaydı
- Model registry ve canlıya hazırlık
Bu Kategorideki Diğer Eğitimler
-
Kavramsal, mantıksal ve fiziksel veri modelleme, boyutsal modelleme (Kimball), Data Vault ve analitik amaçlı veri bilimi temelleri; TDWI bilgi alanlarındaki konuları veri ambarı ve BI ekipleri için uygulamalı işler.
- Canlı Kurs
- 5 modül
-
İş sorusunu analiz planına dönüştürme, SQL ve Excel/Python ile veri hazırlama, KPI tanımlama, Power BI veya Tableau ile dashboard tasarımı ve veriyle storytelling; analist rolüne geçen veya bu rolü güçlendiren ekipler için.
- Canlı Kurs
- 5 modül
-
İlişkisel veri tabanlarında SELECT, WHERE, JOIN, GROUP BY, HAVING ve alt sorgularla veri çekme ve özetleme; ham veriye kendi başına erişip rapor üretmek isteyen iş analistleri ve uzmanlar için uygulamalı SQL eğitimi.
- Canlı Kurs
- 5 modül
-
Window fonksiyonları, recursive CTE'ler, kohort ve zaman serisi sorguları, yarı-yapısal (JSON) veri işleme ve EXPLAIN ANALYZE ile sorgu optimizasyonu; büyük veri kümelerinde çalışan analist ve mühendisler için.
- Canlı Kurs
- 5 modül
-
RAG, LLM ve makine öğrenmesi sistemleri için uçtan uca veri mühendisliği: veri sözleşmeleri, medallion mimarisi, feature ve embedding pipeline'ları, lineage ve metadata yönetimi.
- Canlı Kurs
- 5 modül
-
Kaynak sistemlerdeki sessiz şema ve veri bozulmalarını önlemek için otomatik veri kalitesi testleri (dbt, Great Expectations, Soda) ve üretici-tüketici arasında uygulanabilir data contract tasarımı.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
