12 ay
Tahmini Süre
6
Modül
2
Sektörel Proje
120+
Quiz
Sertifika
Mezuniyette
₺270K
Yıllık Kazanç
Mezunlarımızın Çalıştığı Şirketler
Modüller
Machine Learning Engineer Path
Makine öğrenimi becerileri, modern iş piyasasında en çok aranan becerilerden bazılarıdır. Modern ML Mühendisleri, diğer geliştiricilerden yılda on binlerce dolar daha fazla kazanıyor. Bu yol size rekabette öne çıkmanız için gerekli ML tekniklerini öğretecektir. Sonunda, veri hattı oluşturma, model devreye alma ve çıkarım konularında işe hazır becerilere sahip olacaksınız.
Modül 1 5 Saat
Bilişim Çalışanları için Temel Yetenekler
Dünya bilişim ve teknolojideki baş döndürücü gelişmelerle çok hızlı değişiyor. Bilişim hayatın o kadar çok içine girdi ki artık elektrik, su gibi hiç kimse onun yokluğuna katlanamıyor. Bilişim insan hayatındaki önemini arttırdıkça bu alandaki istihdam ve iş gücü talebi de katlanarak artıyor. Bu alanda istihdam olan herkes temel bilgisayar bilimleri kavramlarını bilmeye ihtiyaç duymaktadır.
Linux işletim sistemini tanıma, temel komutlarına hakim olma, API, veri yapıları, işleri periyodik olarak çalıştırma, bilgisayar ağları, sürüm kontrol uygulamaları gibi bir çok temel bilgi bu eğitimde öğrenilecektir.
Endüstri projesi veri sponsoru : 
Bilgisayar ağlarının temel kavramları olan IP, MAC ağ, DNS, NAT, subnet ve protokoller gibi kavramlar öğrenilecektir.
Temel ve sık kullanılan linux komutları, metin editörleri, günlük rutin işleri script haline dönüştürerek otomatize etme ve bunu cron işi ile periyodik olarak tetikleme konuları uygulamalı olarak öğrenilecektir.
Rutin ve tekrarlanan işlerin programlama dilini andıran bash scripting ile ilgili koşullar, döngüler, fonksiyon oluşturma, dosya içeriği okuma, argüman kullanma gibi konular öğrenilecektir.
Örnek proje üzerinden sürüm kontrol sisteminin mantığı, kullanımı, github entegrasyonu, branch oluşturma, değiştirme, merge, hesap token’ı oluşturma ve kullanma konuları uygulamalı olarak öğrenilir
En popüler açık kaynaklı ilişkisel veri tabanı olan PostgreSQL ile temel SQL komutları öğrenilecektir.
Modül 2 11 Saat
Veri Bilimi için Python Programlama
Bu eğitim Python programlama dilini etkin bir PyCharm IDE kullanımı ile fonksiyonel yetenekler kapsamında öğrenilmesini sağlar. Veri okuma, veri ön işleme, özellik geliştirme ve makine öğrenmesi (machine learning) modelleri üretimi gibi tüm temel veri bilimi işlemlerini yapabilmeniz için gerekli altyapıyı proje geliştirme düzeyinde edineceksiniz.
Endüstri projesi veri sponsoru : 
PyCharm, Virtual Environment ve Dependency Management konuları ile büyük ölçekli projeler için kendi çalışma ortamınızı oluşturmayı ve yönetmeyi öğreneceksiniz. Çalışma ortamı ayarları gerçekleştirildikten sonra Python’da ilk adımlarımızı atmış olacağız.
Python programlamanın temellerini oluşturan veri yapılarını kapsamlı bir şekilde öğrenme imkanı bulacaksınız.
Sıfırdan kapsamlı bir şekilde ileri seviye fonksiyonları yazmayı öğrenecek ve zor senaryolar için kendi fonksiyonlarınızı yazabileceksiniz. Ayrıca comprehensions konusu ile veri bilimi ve makine öğrenmesi süreçlerini ölçeklenebilir pipeline’lar ile sürdürebilmek için çok değerli bilgiler edineceksiniz.
Veri bilimi, makine öğrenmesi ve yapay zeka uygulamaları için kaçınılmaz olan temel kütüphaneleri öğreneceksiniz. Bu bilgileri yaygın kaynaklardan farklı olarak gelişmiş fonksiyonlar yazmak için kullanacaksınız ve fonksiyonel veri analizi modülünüzü dokümantasyonu ile birlikte yazabileceksiniz.
Modül 3 7 Saat
Veri bilimi süreçlerinin çok büyük bir kısmını, veri temizliği ve değişken mühendisliği oluşturmaktadır. Bu eğitim; ham veriyi temizleyerek, ilgili veriden yeni özellik çıkarmak ve modele girmeye uygun olmayan değişkenleri dönüştürmek için öğrencilerin belirli yaklaşımlar edinmesini amaçlamaktadır. Edinilen yaklaşımlar sayesinde veri setini bir makine öğrenmesi (machine learning) modeline girmeye uygun hale getirme konusunda gerekli altyapıyı edineceksiniz.
Veri setindeki aykırı gözlemler ile mücadele etme yöntemleri hakkında bilgi edineceksiniz.
Veri setindeki eksik gözlemler ile mücadele etme yöntemleri hakkında bilgi edineceksiniz.
Veriyi makine öğrenmesine girmeden önce sayısal ifadelerle temsil etmemizi sağlayan LabelEncoder ve One-Hot Encoding yaklaşımları ve uzaklık temelli makine öğrenmesi algoritmalarında model performansını önemli ölçüde etkileyen değişken standartlaştırma ve değişken dönüşüm işlemleri hakkında bilgi edineceksiniz.
Regular expression yardımıyla, ham veriyi temizleyerek anlamlı hale getirmek için kullanılan yöntemler hakkında bilgi edineceksiniz.
Modül 4 13 Saat
Veri bilimi Python programlama dilini kullanarak ve CRISP-DM süreçlerini dikkate alarak denetimli ve denetimsiz makine öğrenmesi (machine learning) yöntemlerini öğrenmemizi sağlar. Bu eğitimde geleneksel algoritmalar ve son zamanlarda öne çıkan birçok algoritmayı (XGBoost, LightGBM, CatBoost) kıyaslayarak ve model seçme özellikleri ile işleyerek önemli bir yetkinlik edineceksiniz.
Endüstri projesi veri sponsoru : 
Makine öğrenmesine giriş yapacağınız bu bölümde makine öğrenmesi için gerekli olan temel kavramları öğreneceksiniz.
Bağımlı ve bağımsız değişken/değişkenler arasındaki ilişkiyi doğrusal olarak modelleyen doğrusal regresyon algoritmasının teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.
Sınıflandırma problemi için bağımlı ve bağımsız değişkenler arasındaki ilişkiyi doğrusal olarak modelleyen lojistik regresyon algoritmasının teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.
Makine öğrenmesi dünyasında çok geniş bir alana sahip olan karar ağaçlarının temelini oluşturan CART’ın teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.
Gelişmiş ağaç yöntemlerinin ele alınacağı bu bölümde Random Forests ve Gradient Descent temelli ağaç yöntemleri ele alınacaktır.
Modele verilebilecek herhangi bir bağımlı değişken olmadığı durumlarda, verideki gözlemleri uzaklık tabanlı gruplayarak sınıflandırmamızı sağlayan modeller hakkında bilgi edineceksiniz.
Uçtan uca bir makine öğrenmesi pipeline oluşturma sürecini öğrenme imkanı bulacaksınız.
Modül 5 3 Saat
Spark, dağıtık veri işlemenin zorlu tarafını geliştiriciden yalıtarak ona bütünleşik ve kullanımı kolay API’ler sunan analitik bir veri işleme platformudur. Spark'ın bütünleşik programlama modeli, veri açısından zengin analitik uygulamalar geliştirenler için onu en iyi seçim haline getirir. Spark ile parti veya akan veri işlemek mümkündür.
Spark'ın onlarca farklı özelliklerinden bir tanesi da makine öğrenmesi modellerini büyük ölçekteki veriler üzerinde mümkün kılmasıdır. Bu eğitimde Spark ML kütüphaneleri tanınacak ve bu kütüphaneler yardımıyla supervised, unsupervised öğrenme yöntemleriyle örnek modeller geliştirilecektir.
Spark yapay öğrenme kütüphanelerinin tanıtımı ve Spark ML Pipelines temel kavramları ele alınarak makine öğrenmesi uygulamalarına giriş ve ön hazırlık yapılır.
En yaygın gözetimli öğrenme yöntemlerinden olan Regresyon ile model geliştirilecek ve veri hazırlık süreci detaylı olarak ele alınacaktır. Regresyon model değerlendirme kütüphanesi kullanılarak başarı metrikleri elde edilecektir.
Spark ML sınıflandırma algoritmalarından birisiyle ve örnek bir veri seti üzerinde ML Pipelines kullanarak sınıflandırma modeli geliştirilecektir. Sınıflandırma model değerlendirme kütüphanesi kullanılarak başarı metrikleri elde edilecektir.
Spark ML kütüphanesinde bulunan KMeans algoritması örnek bir veri seti üzerinde kullanarak kümeleme modeli geliştirilecektir. Kümeleme model değerlendirme kütüphanesi kullanılarak ideal küme sayısı bulunacaktır.
Modül 6 6 Saat
Data Pipelines and Workflow Scheduling
Verinin işletmeler ve kurumlar için öneminin her geçen gün artmasıyla beraber verinin yönetimi ve periyodik hareketlerinin düzenlenmesi bir zorunluluk haline gelmiştir. Kimi zaman bazı işletmelerde yüzlerce veya binlerce günlük veri hareketi olmaktadır. Tüm bu hareketlerin tasarlanması, takibi ve yönetilmesi ise gelişmiş araçları gerektirmektedir.
Bu eğitimde bu ihtiyaçları karşılamaya yönelik geliştirilmiş önde gelen veri akışı düzenleme ve otomatikleştirme araçlarından Airflow, Jenkins, Logstash ve NiFi ile uygulamalı örnekler yapılacaktır.
Airflow, data pipeline tasarlamak, bunu programlama diliyle ifade etmek ve mevcut iş akışlarını izlemek için geliştirilmiş açık kaynaklı bir workflow scheduling aracıdır. Airflow içinde hazır bulunan yüzlerce operatör ile veri akışı tasarlamak mümkündür. Bir veri kaynağından verinin alınması, Spark ile işlenip PostgreSQL veri tabanında farklı tablolara yazılması örneği uygulamalı olarak öğrenilecektir.
Önde gelen otomasyon sunucusu Jenkins, herhangi bir projeyi oluşturmayı, dağıtmayı ve bunu otomatik hale getirmeyi sağlayan açık kaynak kodlu bir araçtır. Jenkins her türlü ihtiyacı karşılayacak yüzlerce eklentiye sahiptir. Örnek olarak bir maven projesini derleyip jar haline getirme ve bu jar dosyasını canlı ortama dağıtma uygulanacaktır.
Logstash, çok sayıda kaynaktan veri alan, bunları dönüştüren ve ardından en sevdiğiniz veri depolama ortamına gönderen ücretsiz, açık kaynaklı, ve sunucu tarafında çalışan data pipeline aracıdır. Örnek olarak çeşitli kaynaklardan alınan verilerin Elasticsearch'e indekslemesi uygulanacaktır.
Apache NiFi bir web ara yüzüyle veri akış hattını tasarlama, yönetme ve izlemeyi mümkün kılan açık kaynak kodlu ölçeklenebilir bir araçtır. Örnek olarak log dosyalarının hdfs'e aktarılması, ilişkisel veri tabanından Kafka'ya veri akışı yapılacaktır.
Endüstri Projesi
Yetenek Avcılığı Sınıflandırma Problemi
Futbolcuların özelliklerine bakarak çok iyi veya çok kötü anlamında anomali özellikleri olan oyuncuları tespit ediyor ve oyuncuların özelliklerine göre iyi oynama ihtimali olan farklı mevkileri belirliyoruz.
Gözetimsiz Öğrenme ile Müşteri Segmentasyonu
FLO müşterilerini segmentlere ayırıp bu segmentlere göre pazarlama stratejileri belirlemek istiyor. Buna yönelik olarak müşterilerin davranışları tanımlanacak ve bu davranışlardaki öbeklenmelere göre gruplar oluşturulacak.
Yetenek Avcılığı Sınıflandırma Problemi
Futbolcuların özelliklerine bakarak çok iyi veya çok kötü anlamında anomali özellikleri olan oyuncuları tespit ediyor ve oyuncuların özelliklerine göre iyi oynama ihtimali olan farklı mevkileri belirliyoruz.
Gözetimsiz Öğrenme ile Müşteri Segmentasyonu
FLO müşterilerini segmentlere ayırıp bu segmentlere göre pazarlama stratejileri belirlemek istiyor. Buna yönelik olarak müşterilerin davranışları tanımlanacak ve bu davranışlardaki öbeklenmelere göre gruplar oluşturulacak.
Bugün Başla
12 Aylık Erişim
Kendi programına uygun şekilde ilerle
$
340
$
204
- Tüm materyallere 12 aylık erişim
- Endüstri projeleri ve sanal mentor desteği
- Sertifika
Şirketler çalışanlarının yetkinliğini arttırmak için Miuul’u tercih ediyor.
Teklif almak için Bize yazın
Bu program, makine öğrenimi uzmanlarına yönelik artan ihtiyaçtan yararlanmanıza yardımcı olmak için tasarlanmıştır. Üretimde makine öğrenimi modelleri oluşturup dağıtabilecek nitelikli mühendislere yönelik talebi karşılamaya hazırlanmak için kariyer yolculuğuna çıkmalısınız.
Kariyer yolculuğu, mühendislik kariyerlerini son teknoloji makine öğrenimi becerileriyle ilerletmek isteyen bireyler içindir.
Hayır. Bu kariyer yolculuğu programı, deneyim ve özel geçmişe bakılmaksızın tüm başvuru sahiplerini kabul etmektedir.
Şimdi başlamaya hazır mısın?
Öğrenmeye bugün başla - şimdi senin zamanın.
Kayıt Ol