Eğitimin Amacı ve Kapsamı
Ön eğitimli (pretrained) foundation modeller artık yalnızca metin ve görüntüyle sınırlı değildir; tablo verisi ve zaman serilerinde de hiperparametre araması gerektirmeyen zero-shot ve in-context learning modelleri üretim sahasına girmiştir. Bu eğitim; sentetik öncüllerle eğitilmiş TabPFN v2 ve tablo transformer yaklaşımlarını, zaman serisi tarafında ise Amazon Chronos, Google TimesFM, Salesforce Moirai ve Lag-Llama/TimeGPT ailelerini derinlemesine inceler.
Odak nokta gerçekçi mühendislik değerlendirmesidir: örneklem ve özellik sayısı sınırları, dış değişken (covariate) desteği, olasılıksal tahmin kalibrasyonu, GPU inference maliyeti ve LightGBM/statsforecast baseline'larına karşı ne zaman kazanıp ne zaman kaybettikleri kurum verisi üzerinde test edilir.
Kimler Katılmalı?
- Kıdemli veri bilimciler ve ML mühendisleri
- Tahminleme, risk, fiyatlama ve analitik platform ekipleri
- Yeni nesil foundation modelleri mevcut ML yığınıyla kıyaslamak isteyen AR-GE ve AI liderleri
- Ön koşul: Python, GBDT/zaman serisi modelleri ve temel PyTorch/Hugging Face deneyimi
Kazanımlar
- TabPFN v2 ile küçük ve orta ölçekli tablo verisinde saniyeler içinde güçlü in-context sınıflandırma ve regresyon kurmak
- Chronos, TimesFM ve Moirai ile çoklu zaman serisinde zero-shot nokta ve quantile tahminleri üretmek
- Dış değişkenleri (fiyat, kampanya, takvim) foundation model tahminleriyle hibrit (residual) yapıda birleştirmek
- Domain kayması olan serilerde LoRA/fine-tuning maliyetini ve kazanımını ölçmek
- Doğruluk, gecikme, GPU maliyeti ve açıklanabilirlik eksenlerinde GBDT/istatistiksel modellere karşı karar matrisi oluşturmak
Konular
Tablo Verisi İçin Foundation Modeller ve TabPFN
- Prior-Data Fitted Networks (PFN) ve in-context bayesian çıkarım
- TabPFN v2 kullanımı, örneklem/özellik sınırları ve alt-örnekleme/ensemble stratejileri
Zaman Serisi Foundation Mimarileri
- Tokenizasyon, patching ve olasılıksal çıkış başlıkları
- Chronos, TimesFM, Moirai ve Lag-Llama karşılaştırması
Zero-Shot Tahmin, Dış Değişkenler ve Hibrit Yapılar
- Cold-start serilerde zero-shot tahmin ve bağlam uzunluğu etkisi
- Takvim/fiyat etkileri için foundation tahmin + LightGBM residual modeli
Fine-Tuning ve Kalibrasyon
- Kurum serileri üzerinde ince ayar (fine-tuning) ve overfitting kontrolü
- Quantile/örneklem yörüngelerinin (sample paths) conformal kalibrasyonu
Benchmark, Maliyet ve Üretim Mimarisi
- LightGBM, CatBoost ve AutoARIMA/AutoETS'ye karşı adil backtesting
- GPU batch inference, önbellekleme ve kurum için seçim rehberi
Bu Kategorideki Diğer Eğitimler
-
Supervised ve unsupervised öğrenme, train/test ayrımı, overfitting, temel metrikler ve scikit-learn ile ilk modeller; teknik ekiplerin bir iş problemini doğru ML problemine çevirip baseline kurmasını sağlar.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
