Tüm Kariyer Yolculuklarında %60 İndirime ek 1 Kurs Hediye!
Eğitimleri İncele
+1 kurs hediyesinin sona ermesine
Sohbete Başla

Makine Öğrenmesi

Geleneksel algoritmaları ve son zamanların öne çıkan birçok algoritmasını (RF, LR, XGBoost) kıyaslayıp; model seçme özellikleri ile işleyerek eşsiz bir yetkinlik edinin.

Kayıt Ol

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.

Müfredatı gizle
1
Temel Kavramlar
Makine öğrenmesine giriş yapacağınız bu bölümde makine öğrenmesi için gerekli olan temel kavramları öğreneceksiniz.

  • Değişken Türleri
  • Öğrenme Türleri
  • Problem Türleri
  • Model Başarı Değerlendirme Yöntemleri
  • Model Doğrulama Yöntemleri
  • Yanlılık-Varyans Değiş Tokuşu

2
Doğrusal Regresyon
Bağımlı ve bağımsız değişken/değişkenler arasındaki ilişkiyi doğrusal olarak modelleyen doğrusal regresyon algoritmasının teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.

  • 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

3
Lojistik Regresyon
Sınıflandırma problemi için bağımlı ve bağımsız değişkenler arasındaki ilişkiyi doğrusal olarak modelleyen lojistik regresyon algoritmasının teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.

  • 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 )

4
CART ( Classification & Regression Tree )
Makine öğrenmesi dünyasında çok geniş bir alana sahip olan karar ağaçlarının temelini oluşturan CART’ın teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.

  • 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

5
Gelişmiş Ağaç Yöntemleri
Gelişmiş ağaç yöntemlerinin ele alınacağı bu bölümde Random Forests ve Gradient Descent temelli ağaç yöntemleri ele alınacaktır.

  • Rastgele Ormanlar ( Random Forests )
  • XGBoost ( eXtreme Gradient Boosting )
  • LightGBM
  • CatBoost
  • Feature Importance
  • RandomSearchCV
  • Öğrenme Eğrileriyle Model Karmaşıklığını İnceleme

6
Denetimsiz Öğrenme
Modele verilebilecek herhangi bir bağımlı değişken olmadığı durumlarda, verideki gözlemleri uzaklık tabanlı gruplayarak sınıflandırmamızı sağlayan modeller hakkında bilgi edineceksiniz.

  • K-Ortalamalar ( K-Means )
  • Hiyerarşik Kümeleme ( Hierarchical Cluster )
  • Temel Bileşen Analizi ( Principal Component Analysis )
  • Temel Bileşen Regresyon Modeli ( PCR )

7
Makine Öğrenmesi Pipeline
Uçtan uca bir makine öğrenmesi pipeline oluşturma sürecini öğrenme imkanı bulacaksınız.

  • Keşifçi Veri Analizi
  • Veri Ön İşleme
  • Base Models
  • Automated Hyperparameter Optimization
  • Stacking & Ensemble Learning
  • Prediction of New Observation
  • Pipeline

2
Doğrusal Regresyon
Bağımlı ve bağımsız değişken/değişkenler arasındaki ilişkiyi doğrusal olarak modelleyen doğrusal regresyon algoritmasının teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.

  • 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

4
CART ( Classification & Regression Tree )
Makine öğrenmesi dünyasında çok geniş bir alana sahip olan karar ağaçlarının temelini oluşturan CART’ın teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.

  • 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

6
Denetimsiz Öğrenme
Modele verilebilecek herhangi bir bağımlı değişken olmadığı durumlarda, verideki gözlemleri uzaklık tabanlı gruplayarak sınıflandırmamızı sağlayan modeller hakkında bilgi edineceksiniz.

  • K-Ortalamalar ( K-Means )
  • Hiyerarşik Kümeleme ( Hierarchical Cluster )
  • Temel Bileşen Analizi ( Principal Component Analysis )
  • Temel Bileşen Regresyon Modeli ( PCR )

Yetkinlik Edin
Makine Öğrenmesi Öğren
%60 indirim
En İyi Fiyat

Bugün Öğrenmeye Başla

1 yıl boyunca sınırsız erişim

Her yıl yalnızca 9.90$'a otamatik erişim yenileme

Yenileme diledigin zaman iptal edilebilir

Kupon Kodu: BF60

$ 160 $ 64 .00 /tek seferlik

  • Tüm materyallere 1 yıl erişim
  • Ders videoları & materyalleri
  • Puanlanan quiz’ler
  • Sertifika
Şimdi Kayıt Ol

Miuul, gerekli gördüğü durumlarda eğitim içeriklerinde, modüllerde ve yenileme ücretlerinde değişiklik yapma hakkını saklı tutar. 9.90$'lık yıllık yenileme ücreti şu an için özel bir fırsattır; ileride bu koşullarda revizyon yapılabilir.

Çeşitli ölçeklerdeki kurumlar ekipleri için Miuul'u kullanıyor.

Çalışanlarınıza özel teklif almak için Bize yazın

Makine Öğrenmesi öğrenmeye bugün başla!
Kayıt Ol