Email bilgi@runelab.ai
Telefon 530 971 51 29
WhatsApp
Model Canlı Ders
Süre
Modüller 3 modül

Kurs Açıklaması

Veri çağında rekabet avantajı sağlamanın anahtarı, veriden anlamlı içgörüler çıkarabilmektir.

Bu kapsamlı eğitim, katılımcılara makine öğrenmesinin temellerinden başlayarak gerçek dünya problemlerini çözebilecek seviyeye kadar pratik bir yolculuk sunar.

Python ve scikit-learn ekosistemiyle veri ön işleme, model kurma, hiperparametre optimizasyonu ve model değerlendirme süreçlerini uygulamalı olarak öğreneceksiniz.

XGBoost, LightGBM gibi modern algoritmaları kullanarak tahmin modelleri geliştirebilir, SHAP ile modellerinizi açıklayabilir ve dengesiz veri setleriyle başa çıkabilir hale geleceksiniz.

Hedef Kitle

Bu eğitim, veri odaklı karar verme süreçlerinde aktif rol almak isteyen ve makine öğrenmesi ile iş değeri yaratmak isteyen profesyoneller için tasarlanmıştır.

  • Veri analistleri ve bilimcileri: ML becerilerini derinleştirmek ve modern algoritmalarla tanışmak isteyenler için idealdir.

  • Yazılım geliştiriciler: Uygulamalarına tahmin ve sınıflandırma yetenekleri eklemek isteyenler faydalanabilir.

  • İş analistleri ve ürün yöneticileri: Veri odaklı stratejiler geliştirmek ve ML projelerini daha iyi yönetmek için teknik altyapı kazanabilir.

  • Mühendisler, araştırmacılar ve akademisyenler: Üretim optimizasyonu, kalite kontrol veya bilimsel araştırmalarda ML kullanmak için sağlam bir temel oluşturabilir.

  • Finans, pazarlama, satış ve operasyon departmanlarında çalışan profesyoneller: Tahmin modelleri ile süreçlerini iyileştirmek isteyen herkes yararlanabilir.

Ön Koşul

  • Python programlama dilinde temel seviye bilgi (değişkenler, döngüler, fonksiyonlar)

  • Temel istatistik kavramlarına aşinalık (ortalama, standart sapma, korelasyon)

  • Pandas kütüphanelerinde başlangıç düzeyi deneyim (tercih edilir, gerekli değil)

Kazanımlar

  • Makine öğrenmesinin temellerini kavrayıp farklı ML öğrenme türlerini ayırt edebilmek

  • Train/validation/test split mantığını uygulayıp overfitting/underfitting problemlerini tespit ve çözebilmek

  • Farklı cross-validation stratejilerini (K-Fold, StratifiedKFold, TimeSeriesSplit) seçip uygulayabilmek

  • Eksik veri ve aykırı gözlemleri tespit edip modele hazır hale getirebilmek

  • Özellik mühendisliği ile yeni özellikler türetebilmek, kategorik değişkenleri encoding yöntemleriyle dönüştürebilmek

  • Modern ML algoritmalarını (Linear/Logistic Regression, Decision Trees, Random Forest, XGBoost, LightGBM, CatBoost) kurup optimize edebilmek

  • Optuna ile hiperparametre optimizasyonu yapabilmek; Grid Search ve Bayesian Optimization arasında seçim yapabilmek

  • Dengesiz veri setlerinde (SMOTE, class weights, threshold optimization) başarılı modeller geliştirebilmek

  • Model açıklanabilirliğini (SHAP, LIME, Permutation Importance) sağlayarak iş birimlerine aktarabilmek

  • Scikit-learn Pipeline ve ColumnTransformer ile end-to-end ML süreçleri tasarlayabilmek ve data leakage’ı önleyebilmek

  • Confusion matrix, ROC-AUC, PR-AUC, learning curves ile model performansını analiz edip yorumlayabilmek

Konular

Modül 1 - Makine Öğrenmesi Temelleri

Makine Öğrenmesi(ML) Giriş

Makine Öğrenmesi Nedir?

  • ML tanımı

  • Geleneksel programlamadan farkı

  • Gerçek dünya uygulamaları ve örnekler

  • ML'i ne zaman kullanmalı, ne zaman kullanmamalı

Makine Öğrenmesi Türleri

  • Supervised vs Unsupervised

  • Classification vs Regression

  • Training vs Prediction aşamaları

Temel ML Kavramları

  • Feature'lar ve target'lar

  • Altın kural: Test verisine final değerlendirmeden önce asla dokunma

  • Overfitting ve underfitting

  • Validation neden kritik öneme sahip

  • Metrik vs loss

  • Nasıl error fonksiyonu seçilir

ML Döngüsü

  • Veri Toplama → Ön İşleme→ Özellik Mühendisliği → Modelleme → Değerlendirme→ Canlıya Alma

  • ML projelerinin iteratif doğası

  • Yaygın yapılan hatalar ve bunlardan kaçınma yöntemleri
Modül 2 - Veriyi Bölme ve Ön İşleme

Veri Bölme

Üçlü Bölme

  • Training set

  • Validation set

  • Test set - kilitli tutulur

  • Sadece train/test split'in neden tehlikeli olduğu

Cross-Validation'a Giriş

  • K-fold cross-validation nedir

  • Doğru K değerini seçme

  • Hesaplama maliyeti dengesi

  • Bölmelerin görselleştirilmesi

  • Ne zaman kullanılmamalı

Gelişmiş Validation Stratejileri

  • TimeSeriesSplit

  • GroupKFold

  • StratifiedKFold

  • Iterative stratification ile StratifiedKFold

  • Nested Cross-Validation

Veri Ön İşleme Temelleri

Veri Mühendisliği Temelleri

  • Yeni feature'lar oluşturma

  • Alana özel oluşturulacak özellik analizi

  • Hali hazırdaki özelliklerin etkileşiminden yeni özellik oluşturma

  • Feature scaling ve normalization

  • Ön işleme neden önemli

Kategorik Değişkenleri İşleme

  • Label encoding

  • One-hot encoding

  • Target encoding temelleri

  • Gelişmiş encoding stratejileri

  • Hangi yöntem ne zaman kullanılmalı

Özellik Seçimi

  • İlgisiz feature'ları kaldırma

  • Korelasyon analizi

  • Feature importance temelleri

Veri Ön İşleme - Aykırı Gözlem

Aykırı Gözlemler(Outlier) Tespiti

  • İstatistiksel yöntemler: IQR, Z-score, Modified Z

  • ML tabanlı: Isolation Forest, Local Outlier Factor, DBSCAN

  • Alana özgü sınır değerleri

  • Multivariate outlier detection

  • Görsel analiz: box plot'lar, scatter plot'lar, QQ plot'lar

Aykırı Gözlemlerle Başa Çıkma - Silme

  • Ne zaman silinmeli: gerçek hatalar, veri girişi hataları

  • Yüzdelik eşik değer kuralları (örn: %5'ten fazlaysa sil)

  • Silmeden önce etki analizi

Aykırı Gözlemlerle Başa Çıkma - Capping/Winsorization

  • Yüzdeliklerde capping (örn: 1. ve 99. percentile)

  • Winsorization uygulaması

  • Data boyutunu korurken etkiyi azaltma

Aykırı Gözlemlerle Başa Çıkma - Transformation

  • Sağa çarpık data için log transformation

  • Square root, cube root transformation'ları

  • Optimal normallik için Box-Cox transformation

  • Outlier etkisini minimize etmek için RobustScaler

Aykırı Gözlemlerle Başa Çıkma - Binning

  • Sürekli değerlerden kategorik değere geçme

  • Equal-width vs equal-frequency binning

  • Alan bilgisine dayalı custom bin'ler

Aykırı Gözlemlerle Başa Çıkma - Diğer Yöntemler

  • Outlier'lar için ayrı model'ler kurma

  • Feature olarak outlier flagging

  • Ensemble yaklaşımı: normal + outlier model'leri

  • Eksik veri olarak kabul edip impute etme

  • Robust istatistik kullanma (median, trimmed mean)

  • Outlier'lar için model-based imputation

  • Farklı modellerin farklı outlier başa çıkma yöntemlerini gerektirmesi

Veri Ön İşleme - Eksik Veri

Eksik Veri İle Başa Çıkma

  • Eksik verileri silme ve bu yaklaşımın zararları ve uygulanabileceği zamanlar

  • Basit imputation stratejileri ve sınırları

  • İleri düzey imputation: IterativeImputer, KNNImputer, MICE

  • Ne zaman atılmalı, ne zaman impute edilmeli

  • Missingness indicator'ları oluşturma

  • Alana özel imputation stratejileri

  • Eksik veriyi özellik olarak ekleme
Modül 3 - ML Model Kurma

Pipeline Mantığı ve Baz Model

Pipeline Oluşturma

  • Scikit-learn Pipeline ve ColumnTransformer

  • Doğru pipeline tasarımı ile data leakage'ı önleme

  • Custom transformer'lar oluşturma

  • Pipeline persistence ve versioning

Baz Model Oluşturma

  • Baz model mantığı

  • Basit linear/logistic regression baseline

  • AutoGluon/FLAML ile AutoML baseline

  • Baseline sonuçlarını yorumlama

Model Kurma

Lineer Modeller

  • Sürekli sayısal tahminler için linear regresyon

  • Sınıflandırma için logistic regresyon

  • Genelleştirilmiş linear modeller

  • Ridge, Lasso yaklaşımları

Karar Ağaçları (Decision Trees)

  • Ağaçlar nasıl karar verir

  • Hyperparameters (max_depth, min_samples)

  • Overfitting'i önleme

Random Forests

  • Ensemble learning konsepti

  • Ormanlar neden tek ağaçlardan daha iyi

  • Random Forest'tan feature importance

  • Random Feature selection konsepti

  • Bagging yaklaşımı

  • OOB score ve kullanımları

  • Random Forest'ın ne zaman üstün olduğu

Model Kurma - Gradient Boosting Modelleri

XGBoost

  • Boosting konsepti açıklaması

  • Önemli parametreler

  • Regression ve classification modları

  • Uygulamalı model oluşturma

  • Boosting yaklaşımında GPU desteği kullanma

LightGBM

  • XGBoost yerine ne zaman kullanılmalı

  • Hız avantajları

  • Kategorik özellikleri işleme

CatBoost

  • Dahili kategorik encoding

  • Overfitting'i önleme

  • Model karşılaştırması

Başarı Metrikleri ve Loss Fonksiyonları

Sınıflandırma

  • Accuracy

  • Precision

  • Recall

  • F1

  • ROC-AUC

  • PR-AUC

Regresyon

  • MAE

  • RMSE

  • MAPE

  • R²

  • quantile loss

Model Çıktılarının İncelenmesi

  • Bias-variance analizi için learning curve'ler

  • Hiperparametre etkisi için validation curve'ler

  • Confusion matrix derinlemesine inceleme

  • Calibration plot'ları ve reliability diagram'ları

  • Erör analizi teknikleri

Hiperparametre Optimizasyonu

Optimizasyon Stratejileri

  • Grid search vs Random search vs Bayesian optimization

  • Optuna ile hiperparametre ayarlama

  • Multi-objective optimization

  • Daha hızlı optimizasyon için pruning stratejileri

  • Önce hangi hiperparametrelerden başlamak lazım?

Tablo Verilerinde Yapay Sinir Ağları(NN)

Kullanılan modeller

  • Tablo verileri için NN’ler ne zaman kullanmalı

  • PyTorch tabular model'leri

  • SOTA mimariler

  • Kategorik değişkenler için entity embedding'ler

  • Ağaç bazlı modellerle karşılaştırma

Dengesiz Veri Setleri(Imbalanced Data)

Dengesiz Veri İle Nasıl Başa Çıkılır

  • Class weight ayarlamaları

  • SMOTE ve varyantları (BorderlineSMOTE, ADASYN)

  • Threshold optimization

  • TomekLinks

  • Cost-sensitive learning

  • Dengesiz veriler için ensemble yöntemleri

Model Açıklanabilirliği

Araçlar

  • SHAP value'ları: global ve local açıklamalar

  • Local interpretability için LIME

  • Permutation importance

  • Partial dependence plot'ları

  • Individual conditional expectation plot'ları

Bizimle iletişime geçin