Eğitimin Amacı ve Kapsamı
Makine öğrenmesi projelerinin çoğu, problemin yanlış tanımlanması ya da veri sızıntısı gibi temel hatalar yüzünden başarısız olur. Bu program sınıflandırma, regresyon ve kümeleme kavramlarını, bias-variance dengesini, cross-validation mantığını ve accuracy, precision, recall, RMSE gibi metrikleri sağlam bir zemine oturtur.
Katılımcılar Python, pandas ve scikit-learn ile kurumun kendi veri yapısına benzer bir veri seti üzerinde uçtan uca çalışır ve eğitim sonunda belgelenmiş bir problem tanımı ile baseline modeli ortaya koyar.
Kimler Katılmalı?
- Makine öğrenmesine geçiş yapan yazılım geliştiriciler
- Veri analistleri ve BI uzmanları
- ML projelerinde görev alacak veri mühendisleri
- Ön koşul: temel Python ve tablo verisiyle çalışma deneyimi
Kazanımlar
- Bir iş problemini sınıflandırma, regresyon veya kümeleme görevi olarak tanımlamak
- Train/validation/test ayrımını veri sızıntısı olmadan kurmak
- scikit-learn ile baseline modeller eğitip karşılaştırmak
- Overfitting ve underfitting belirtilerini learning curve ile teşhis etmek
- Problem tipine uygun değerlendirme metriğini seçmek ve gerekçelendirmek
Konular
ML Problem Tanımı ve Veri Hazırlığı
- Supervised, unsupervised ve hedef değişken seçimi
- pandas ile keşifsel veri analizi ve eksik değer yönetimi
Regresyon ve Sınıflandırma Algoritmaları
- Linear ve logistic regression, karar ağaçları, k-NN
- scikit-learn Pipeline ile tekrarlanabilir eğitim
Kümeleme ve Boyut İndirgeme
- k-means, DBSCAN ve segment yorumlama
- PCA ile görselleştirme ve gürültü azaltma
Model Değerlendirme ve Cross-Validation
- Confusion matrix, precision/recall, ROC-AUC, RMSE
- k-fold cross-validation ve veri sızıntısı tuzakları
Baseline Projesi
- Kurum vakasına benzer veride uçtan uca baseline
- Problem tanımı ve sonuçların ekiple paylaşılması
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
