Sohbete Başla

KVKK metnini okudum, onaylıyorum.

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

Temel Kavramlar

Makine öğrenmesine giriş yapacağınız bu bölümde makine öğrenmesi için gerekli olan temel kavramları öğreneceksiniz.

Bölümü ayrıntılı incele

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

Doğrusal Regresyon

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

Bölümü ayrıntılı incele

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

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

Bölümü ayrıntılı incele

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 ( Classification & Regression Tree )

Makine öğrenmesi dünyasında çok geniş bir alana sahip olan karar ağaçlarının temelini oluşturan CART’ın teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.

Bölümü ayrıntılı incele

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

Gelişmiş Ağaç Yöntemleri

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

Bölümü ayrıntılı incele

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

Denetimsiz Öğrenme

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

Bölümü ayrıntılı incele

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

Makine Öğrenmesi Pipeline

Uçtan uca bir makine öğrenmesi pipeline oluşturma sürecini öğrenme imkanı bulacaksınız.

Bölümü ayrıntılı incele

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

Doğrusal Regresyon

Bölümü ayrıntılı incele

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 ( Classification & Regression Tree )

Makine öğrenmesi dünyasında çok geniş bir alana sahip olan karar ağaçlarının temelini oluşturan CART’ın teorisini öğrenecek ve uygulamasını gerçekleştireceksiniz.

Bölümü ayrıntılı incele