Eğitimin Amacı ve Kapsamı
Dashboard'lar ne olduğunu gösterir; neden olduğunu ve ne olacağını göstermek için makine öğrenmesi araçlarına ihtiyaç vardır. Bu eğitim, analistlerin müşteri segmentasyonu, satış ya da kayıp sürücülerinin belirlenmesi, aykırı kayıtların işaretlenmesi ve kısa vadeli tahmin gibi analiz sorularında ML yöntemlerini doğru kullanmasını hedefler.
Odak model mühendisliği değil, yorumlanabilir sonuçtur: SHAP ile değişken etkileri açıklanır, bulgular yönetime sunulabilecek bir analiz notuna dönüştürülür. Program kurum içinde yüz yüze, canlı online veya hibrit olarak, kurumun veri setlerine uyarlanarak yürütülür.
Kimler Katılmalı?
- Veri ve iş analistleri
- BI, raporlama ve performans yönetimi ekipleri
- Pazarlama, finans ve operasyon analitiği uzmanları
- Ön koşul: SQL veya Excel ile analiz deneyimi; temel Python önerilir
Kazanımlar
- Analiz sorusuna uygun ML yöntemini seçmek
- k-means ve hiyerarşik kümeleme ile yorumlanabilir segmentler oluşturmak
- Tree tabanlı modeller ve SHAP ile performans sürücülerini belirlemek
- Isolation Forest ile aykırı kayıtları işaretlemek
- Bulguları iş diline çevrilmiş bir analiz notuyla sunmak
Konular
Analiz Sorusundan ML Yöntemine
- Betimleyici, açıklayıcı ve tahmine dayalı analiz ayrımı
- Python ve pandas ile analiz ortamı
Segmentasyon ve Profilleme
- k-means, hiyerarşik kümeleme, ölçekleme etkisi
- Segmentleri iş diline çevirme
Driver Analizi ve Açıklama
- Random forest ve gradient boosting ile önem analizi
- SHAP grafikleri ile değişken etkisinin yorumlanması
Aykırı Değer ve Basit Tahmin
- Isolation Forest ile olağandışı kayıtları işaretleme
- Kısa vadeli trend tahmini ve belirsizlik aralığı
Analiz Notu ve Sunum
- Bulguların görselleştirilmesi ve sınırlarının belirtilmesi
- Kurum vakası üzerinde analiz notu hazırlama
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
