Eğitimin Amacı ve Kapsamı
Makine öğrenmesi ne olacağını tahmin eder; ancak bütçe, kapasite, vardiya, filo veya SLA kısıtları altında en iyi aksiyonu seçmek optimizasyon gerektirir. Bu program; karar değişkenleri, amaç fonksiyonu ve kısıtların tanımlanmasını, doğrusal ve karma tamsayılı programlama (LP/MILP) modellerini, Google OR-Tools ve Pyomo/HiGHS kullanımını ve tahmin çıktılarının karar modeline beslendiği predict-then-optimize mimarisini ele alır.
Nokta tahminlerinin optimizasyonda yarattığı kırılganlık, senaryo bazlı stokastik optimizasyon ve contextual bandit yaklaşımlarıyla birlikte incelenir. Katılımcılar kurumun bir tahsis, çizelgeleme veya fiyatlama problemi üzerinde çalışan bir karar prototipi ve duyarlılık raporu üretir.
Kimler Katılmalı?
- Veri bilimciler ve yöneylem araştırması (OR) uzmanları
- Tedarik zinciri, lojistik, üretim ve gelir yönetimi analistleri
- Karar destek ve fiyatlama motoru geliştiren mühendisler
- Ön koşul: Python ve temel doğrusal cebir/olasılık bilgisi
Kazanımlar
- Bir iş problemini karar değişkenleri, kısıtlar ve amaç fonksiyonuyla formüle etmek
- OR-Tools ve Pyomo ile LP, MILP ve kısıt programlama modelleri çözmek
- ML tahminlerini optimizasyon girdisine dönüştüren uçtan uca pipeline kurmak
- Tahmin hatasının karar kalitesine etkisini senaryo ve robust yöntemlerle azaltmak
- Sezgisel iş kurallarına karşı optimizasyon kazancını simülasyonla raporlamak
Konular
Tahminden Karara: Matematiksel Formülasyon
- Karar değişkenleri, amaç fonksiyonu, sert ve esnek kısıtlar
- LP, MILP ve doğrusal olmayan yapıların doğrusallaştırılması
OR-Tools ve Pyomo ile Modelleme
- Atama, kapasite tahsisi, vardiya ve araç rotalama (VRP)
- HiGHS/CBC çözücüleri, gap ve çözüm süresi ayarları
Predict-Then-Optimize Mimarisi
- Talep, churn veya fiyat esnekliği tahminlerini modele bağlama
- Tahmin hatası ile karar hatası (regret) arasındaki fark
Belirsizlik Altında Karar Verme
- Senaryo bazlı stokastik programlama ve chance constraints
- Contextual bandit ile keşif-kullanım (explore-exploit) dengesi
Simülasyon, Duyarlılık ve Canlıya Alma
- Mevcut iş kuralına karşı backtest ve gölge fiyat analizi
- Kısıt ihlali izleme ve açıklanabilir karar çıktısı
Bu Kategorideki Diğer Eğitimler
-
Tablo verisinin standart modelleri XGBoost, LightGBM ve CatBoost: ağaç büyütme stratejileri, kategorik ve eksik değer işleme, ranking/quantile/custom objective, monotonic kısıtlar, Optuna ve hızlı inference.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
