Eğitimin Amacı ve Kapsamı
Yapılandırılmış tablo verisinde gradient boosted decision trees (GBDT) hızı, doğruluğu ve esnekliğiyle endüstri standardıdır; ancak varsayılan parametrelerle çağrıldığında potansiyelinin küçük bir kısmı kullanılır. Bu eğitim; XGBoost, LightGBM ve CatBoost'un iç mekanizmalarını (depth-wise, leaf-wise ve symmetric ağaçlar, GOSS, EFB, ordered boosting), native kategorik ve eksik değer yönetimini, regülarizasyon parametrelerini ve erken durdurmayı derinlemesine işler.
Katılımcılar sınıflandırma ve regresyonun ötesine geçerek LambdaMART ile ranking, quantile regression ile tahmin aralığı, monotonic ve interaction kısıtları, özel objective/metric fonksiyonları ve Treelite/ONNX ile düşük gecikmeli servis konularında kurum vakası üzerinde uygulama yapar.
Kimler Katılmalı?
- Tablo verisiyle çalışan veri bilimciler ve ML mühendisleri
- Risk, fiyatlama, öneri ve pazarlama modelleri geliştiren uzmanlar
- Mevcut GBDT modellerinin performansını ve hızını artırmak isteyen ekipler
- Ön koşul: Python, scikit-learn ve temel karar ağacı kavramları
Kazanımlar
- Veri boyutu ve kategorik yoğunluğa göre XGBoost, LightGBM veya CatBoost seçmek
- num_leaves, min_child_samples, colsample ve L1/L2 parametrelerini bilinçli ayarlamak
- Monotonic ve feature interaction kısıtlarıyla iş kurallarına uyumlu modeller eğitmek
- Quantile, Poisson/Tweedie ve özel (birinci/ikinci türevli) loss fonksiyonları yazmak
- TreeSHAP ile açıklama üretip modeli ONNX veya Treelite ile üretime hazırlamak
Konular
GBDT Mekanizması ve Kütüphane Karşılaştırması
- İkinci derece Taylor açılımı, histogram binning, GOSS ve EFB
- XGBoost (depth-wise), LightGBM (leaf-wise) ve CatBoost (oblivious trees)
Veri Temsili ve Hiperparametre Stratejisi
- Native kategorik değişkenler, eksik değer yönlendirmesi ve ölçek bağımsızlığı
- Optuna ile arama uzayı tasarımı, early stopping ve overfitting kontrolü
İleri Amaç Fonksiyonları
- Tweedie, Poisson, Cox survival ve quantile loss
- Gradient ve hessian tanımlayarak özel iş metriği optimizasyonu
Kısıtlar, Ranking ve Açıklanabilirlik
- Monotonic ve interaction constraints ile kontrol edilebilir modeller
- LambdaMART ile sıralama ve TreeSHAP etkileşim değerleri
Performans, Bellek ve Servis Optimizasyonu
- Büyük veride DMatrix/Dataset bellek yönetimi ve GPU eğitimi
- ONNX Runtime ve Treelite ile düşük gecikmeli inference
Bu Kategorideki Diğer Eğitimler
-
AutoGluon, FLAML ve Optuna ile otomatik model seçimi, hiperparametre araması ve multi-layer stacking; zaman/kaynak bütçesi yönetimi, veri sızıntısı kontrolleri ve hızlı baseline'dan üretime geçiş.
- Canlı Kurs
- 5 modül
-
Cam kutu modeller (EBM, GAM), TreeSHAP/KernelSHAP, ALE, counterfactual açıklamalar (DiCE), belirsizlik ölçümü ve regülasyon uyumu; yüksek riskli kararlarda denetlenebilir ve aksiyon alınabilir açıklamalar üretilir.
- Canlı Kurs
- 5 modül
-
Korelasyondan nedenselliğe geçiş: DAG'lar, propensity score, Double Machine Learning (EconML/DoWhy), heterojen etki (CATE) ve farkların farkı (DiD); A/B testi yapılamayan durumlarda fiyat, kampanya ve politika etkisi ölçülür.
- Canlı Kurs
- 5 modül
-
Ham veriyi merkezileştirmeden kurumlar veya uç cihazlar arasında ortak model eğitimi: Flower framework, FedAvg/FedProx, non-IID veri, diferansiyel gizlilik (Opacus) ve güvenli agregasyon ile KVKK uyumlu işbirliği.
- Canlı Kurs
- 5 modül
-
Makine Öğrenmesine Giriş - Regresyon Modelleri
Linear, Ridge, Lasso ve Polynomial regresyon modellerinin matematiksel temelleri, özellik mühendisliği, MSE/RMSE/MAE/R² başarı metrikleri ve overfitting/regularization teknikleri.
- Canlı Kurs
- 3 modül
-
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
Bizimle iletişime geçin
