Veri Biliminin Kalbini Keşfedin: Regresyon Modelleri
Satış projeksiyonundan müşteri değeri tahminine, fiyat optimizasyonundan risk skorlamasına... Her veri bilimi projesinin temelinde regresyon modelleri vardır.
Bu 2 saatlik yoğun workshop'ta, regresyon modellerinin matematiksel temellerini anlayacak, farklı algoritmaları (Linear, Ridge, Lasso, Polynomial) karşılaştıracak ve gerçek verilerle çalışan tahmin modelleri geliştireceksiniz.
Veri hazırlıktan feature engineering'e, loss fonksiyonlarından metrik optimizasyonuna, overfitting'den regularization tekniklerine kadar makine öğrenmesinin temel kavramlarını teoriden pratiğe deneyimleyerek, regresyon modellerinin nasıl çalıştığını derinlemesine öğreneceksiniz.
Eğitmenler:
Kimler Katılmalı
Veri bilimine yeni başlayanlar – Makine öğrenmesinin temellerini sağlam bir şekilde öğrenmek ve ilk modellerini kurmak isteyenler.
Üniversite öğrencileri – İstatistik, matematik, bilgisayar mühendisliği veya ilgili bölümlerden, teorik bilgiyi pratiğe dönüştürmek isteyenler.
Kariyerinde ilerleme hedefleyen profesyoneller – Veri analisti, iş analisti veya yazılım geliştirici olarak ML becerilerini portföyüne eklemek isteyenler.
Alanda kendini geliştirmek isteyen veri profesyonelleri – Regresyon modellerinin matematiksel temellerini derinlemesine anlamak ve farklı algoritmaları karşılaştırma yetisi kazanmak isteyenler.
Teknik geçmişi olan meraklılar – Python bilgisi olan ve veri bilimi dünyasına pratik bir giriş yapmak isteyenler.
Konular
Veri Bilimine Giriş
Makine Öğrenmesi Kavramı
Gözetimli - Gözetimsiz Öğrenme
Eğitim - Test - Validasyon Datası
Regresyon Modelleri Temelleri
Regresyon Nedir? Sınıflandırmadan Farkı
Regresyon türleri nelerdir?
Model Başarı Metrikleri (MSE, RMSE, MAE, R²)
Overfitting ve Underfitting Kavramları
Makine Öğrenmesi Uygulamaları
Makine öğrenmesi pipeline oluşturma
Feature Engineering Teknikleri
Model Karşılaştırma Stratejileri
Hyperparameter Tuning
Sonuçları Yorumlama
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
