Mezunlarımızın Çalıştığı Şirketler
Eğitim programlarımız lider şirketlerle kurduğumuz ortaklıklar ile güçlendirilmiş ve inovatif ekipler tarafından kullanılmaktadır.
Program hakkında ayrıntılı bilgi edinin
Kurs 13 Saat
Makine Öğrenmesi
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.
- Değişken Türleri
- Öğrenme Türleri
- Problem Türleri
- Model Başarı Değerlendirme Yöntemleri
- Model Doğrulama Yöntemleri
- Yanlılık-Varyans Değiş Tokuşu
- Doğrusal Regresyon Teori
- Regresyon Modellerinde Başarı Değerlendirme ( MSE, RMSE, MAE )
- Parametrelerin Tahmin Edilmesi ( Ağırlıkların Bulunması )
- Doğrusal Regresyon için Gradient Descent
- Basit Doğrusal Regresyon Modeli
- Doğrusal Regresyonda Tahmin İşlemleri
- Doğrusal Regresyonda Tahmin Başarısı
- Çoklu Doğrusal Regresyon Modeli
- Çoklu Doğrusal Regresyonda Tahmin İşlemleri
- Çoklu Doğrusal Regresyonda Tahmin Başarısı
- Gradient Descent ile Doğrusal Regresyon
- Lojistik Regresyon Teori
- Lojistik Regresyon için Gradient Descent
- Sınıflandırma Problemlerinde Başarı Değerlendirme
- Karmaşıklık Matrisi ( Confusion Matrix )
- Classification Threshold
- ROC Eğrisi ( ROC Curve )
- LOG Loss
- Problem Veri Seti Hikayesi
- Keşifçi Veri Analizi ( EDA )
- Veri Ön İşleme ( Data Pre-Processing )
- Modelleme
- Model Başarı Değerlendirme
- Model Doğrulama
- 10 Katlı Çapraz Doğrulama ( 10-Fold Cross Validation )
- CART Teori
- CART Kütüphane Kurulumları
- Modelleme
- Hiperparametre Optimizasyonu
- Özellik Önemi ( Feature Importance )
- Öğrenme Eğrileriyle Model Karmaşıklığını Analiz Etme
- Görselleştirme
- Karar Kuralları
- Karar Kurallarının Python Kodlarını Çıkartma
- Python Kodları ile Tahmin İşlemleri
- Rastgele Ormanlar ( Random Forests )
- XGBoost ( eXtreme Gradient Boosting )
- LightGBM
- CatBoost
- Feature Importance
- RandomSearchCV
- Öğrenme Eğrileriyle Model Karmaşıklığını İnceleme
- K-Ortalamalar ( K-Means )
- Hiyerarşik Kümeleme ( Hierarchical Cluster )
- Temel Bileşen Analizi ( Principal Component Analysis )
- Temel Bileşen Regresyon Modeli ( PCR )
- Keşifçi Veri Analizi
- Veri Ön İşleme
- Base Models
- Automated Hyperparameter Optimization
- Stacking & Ensemble Learning
- Prediction of New Observation
- Pipeline
- Doğrusal Regresyon Teori
- Regresyon Modellerinde Başarı Değerlendirme ( MSE, RMSE, MAE )
- Parametrelerin Tahmin Edilmesi ( Ağırlıkların Bulunması )
- Doğrusal Regresyon için Gradient Descent
- Basit Doğrusal Regresyon Modeli
- Doğrusal Regresyonda Tahmin İşlemleri
- Doğrusal Regresyonda Tahmin Başarısı
- Çoklu Doğrusal Regresyon Modeli
- Çoklu Doğrusal Regresyonda Tahmin İşlemleri
- Çoklu Doğrusal Regresyonda Tahmin Başarısı
- Gradient Descent ile Doğrusal Regresyon
- CART Teori
- CART Kütüphane Kurulumları
- Modelleme
- Hiperparametre Optimizasyonu
- Özellik Önemi ( Feature Importance )
- Öğrenme Eğrileriyle Model Karmaşıklığını Analiz Etme
- Görselleştirme
- Karar Kuralları
- Karar Kurallarının Python Kodlarını Çıkartma
- Python Kodları ile Tahmin İşlemleri
- K-Ortalamalar ( K-Means )
- Hiyerarşik Kümeleme ( Hierarchical Cluster )
- Temel Bileşen Analizi ( Principal Component Analysis )
- Temel Bileşen Regresyon Modeli ( PCR )
Yetkinlik Edin
Makine Öğrenmesi Öğren
Bugün Öğrenmeye Başla
1 yıl boyunca sınırsız erişim
$
149
$
89.4
.00
/tek seferlik
- Tüm materyallere 1 yıl erişim
- Ders videoları & materyalleri
- Puanlanan quiz’ler
- Sertifika
Çeşitli ölçeklerdeki kurumlar ekipleri için Miuul'u kullanıyor.
Çalışanlarınıza özel teklif almak için Bize yazın
