Eğitimin Amacı ve Kapsamı
AutoML doğru kullanıldığında haftalar süren deneme-yanılma sürecini saatlere indirir; yanlış kullanıldığında ise veri sızıntısını gizleyen, açıklanamaz ve üretime alınamayacak kadar ağır ensemble'lar üretir. Bu eğitim; AutoGluon, FLAML ve scikit-learn/Optuna tabanlı açık kaynak AutoML araçlarını, arama uzayı ve zaman bütçesi yönetimini, multi-layer stacking ve model distillation tekniklerini ele alır.
Vurgu, insan uzmanlığını ikame etmek değil güçlendirmektir: doğru validation şemasını kurmak, domain özelliklerini AutoML'e beslemek ve hız-doğruluk-açıklanabilirlik dengesine göre dağıtım profili seçmek uygulamalı gösterilir. Katılımcılar kurum vakası üzerinde hızlı bir güçlü benchmark ve üretime uygun sadeleştirilmiş model çıkarır.
Kimler Katılmalı?
- Çok sayıda model geliştirip bakımını yapan veri bilimi ekipleri
- Hızlı PoC ve güçlü benchmark üretmek isteyen ML mühendisleri
- Analitik kapasitesini ölçeklemek isteyen BI ve veri analistleri
- Ön koşul: Python ve temel model değerlendirme bilgisi
Kazanımlar
- AutoGluon ve FLAML ile tablo ve multimodal veride güçlü baseline'lar kurmak
- Zaman/zamansal ve grup bazlı ayrımı AutoML dışından güvenli biçimde yönetmek
- Maliyet ve gecikme bütçesine göre preset, pruning ve model ailesi kısıtlamak
- Ağır ensemble modelleri tekil modele (distillation/refit) indirgeyip servis etmek
- AutoML çıktılarını el yapımı özellikler ve domain kısıtlarıyla birleştirmek
Konular
AutoML Mimarisi ve Araç Ekosistemi
- CASH problemi: algoritma seçimi, HPO ve ensemble
- AutoGluon, FLAML, H2O ve bulut AutoML karşılaştırması
AutoGluon ve Multi-Layer Stacking
- Tablo, metin ve karma sütunlarda otomatik işleme
- Repeated k-fold bagging ve sızıntısız stacking katmanları
FLAML ile Kaynak Duyarlı Arama
- Düşük hesaplama bütçesinde hızlı hiperparametre ve model seçimi
- Özel metrik, kısıt ve tahmin süresi (inference latency) sınırları
AutoML'de Tuzaklar ve Doğrulama
- Hedef sızıntısı, zamansal kırılım ve GroupKFold zorunluluğu
- Domain özellik mühendisliğinin AutoML üzerindeki çarpan etkisi
Üretime Hazırlık ve Model Sadeleştirme
- Ensemble budama, refit_full ve model distillation
- Özellik önem raporu ve paketlenmiş servis artefaktı
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
