Makine Öğrenmesi 101 eğitimi

Machine Learning 101 eğitimi, katılımcılara makine öğrenmesinin temel kavramlarını ve uygulamalarını öğretmeyi amaçlar. Bu eğitimde, makine öğrenmesi algoritmalarının temelleri, veri ön işleme teknikleri, model seçimi ve değerlendirme metotları gibi konular ele alınır. Katılımcılar, gerçek dünyadan örneklerle desteklenen interaktif dersler ve pratik projeler aracılığıyla, makine öğrenmesi modelleri oluşturma ve bu modelleri iş problemlerine uygulama yetkinliklerini kazanırlar.

Açık sınıfımız yoktur. Eğitim, kurum ve şirketlere yöneliktir. Ortalama grup büyüklüğü 10-12 civarındadır.

Daha fazla bilgi ve eğitim talepleri için; satis@veribilimiokulu.com e-posta adresinden veya +90 212 231 30 01 numaralı telefondan bize ulaşabilirsiniz

  • Temel linux komutlarına hakimiyet

  • İnternet bağlantısı

Python Giriş

  – Tanışma, Kursa Giriş
  – Kod Geliştirme Ortamının Kurulması
  – Python 3.6, ilgili paketler, virtual env vb.
  – Python’ı Tanıma
  – Python shell, .py uzantılı programların komut satırından çalıştırılması
  – Değişkenler ve Veri Türleri*
  – Variables and data types
  – Tırnak Kullanımı ve Kaçışlar
  – Quotes and escape
  – Kullanıcıdan Bilgi Almak
  – User input
  – Çıktı Formatlama
  – Print format
  – Koşullu İfadeler
  – Conditionals – if, elif, else
  – İşleçler
  – Operators
  – Döngüler
  – Loops – for, while
  – Dosya İşlemleri
  – File operations
  – Listeler, Demetler, Sözlükler, Kümeler
  – Lists, Tuples, Dictionaries, Sets
  – Liste Metodları
  – Append, pop, insert vb.
  – Fonksiyonlar
  – Functions
  – Modüller
  – Modules
  – Sınıf Kavramı ve Nesne Yönelimli Programlama Mantığı
  – Class and OOP
  – Hatalar
  – Errors

Veri Analizi ve Görselleştirme

  -Pandas Kütüphanesi
  – Pandas temel kavramlar
  – Pandas ile veri okuma, sütun isimlendirme
  – Pandas ile sütun ve satır silme
  – Pandas dataframe sıralama ve filtreleme
  – Excel okuma, işlenmiş veriyi diske yazma
  – Gruplama ve kümeleme (groupby, aggregation)
  – Null kontrolü, boşluk doldurma, indeksler ile seçim yapma, tür dönüşümü
  – String operasyonları: contains, startswith, replace vb., gelişmiş filtreleme
  – Tarih-saat ve indeks parse date
– Pandas dataframe union ve join
  – Python ile PostgreSQL veri tabanına bağlanma veri okuma
  – Pandas ile SQL benzeri sorgular nasıl yapılır?
  – Numpy Kütüphanesi
  – Numpy giriş, matris oluşturma, elemanlara erişim, reshape, transpoze
  – Numpy kesit alma, güncelleme, filtreleme, stack, ravel
  – Numpy matris eleman bazlı çarpma, bölme, toplama, çıkarma
  – Numpy matris veri türünü değiştirme, iki matrisin çarpımı (dot product)
  – Numpy matris min, max, sum, scaler çarpım
  – Matplotlib ve Seaborn ile Görselleştirme
  – Matplotlib giriş
  – Matplotlib Saçılma/serpilme diyagramı (scatterplot)
  – Matplotlib histogram, optimal bins değerini bulma
  – Matplotlib kutu diyagramı (boxplot)
  – Matplotlib bar grafik (barplot)
  – Matplotlib pasta grafik (piechart)
  – Seaborn saçılma diyagramı (scatterplot)
  – Seaborn çizgi grafik (linechart)
  – Seaborn bar grafik (barchart)
  – Seaborn pairplot
  – Plotly çizgi grafik
  – Plotly saçılma diyagramı
  – Plotly bar grafik
  – Scikit-Learn Kütüphanesi

Makine Öğrenmesine Giriş ve Regresyon

  – Makine Öğrenmesi Giriş
  – Kütüphaneleri yükleme ve indirme
  – Veri ön işleme
  – Kayıp ve eksik veriler
  – Kategorik değişkenler (LabelEncoder, OneHotEncoder, get_dummies)
  – Normalizasyon (Feature Scaling)
  – Veri setini eğitim ve test olarak ayırma
  – Veri hazırlığı şablonu oluşturma
  – Regresyon
  – Basit lineer regresyon
  – Çoklu lineer regresyon
  – Doğrusal olmayan regresyon (Polinom regresyon)
  – Regresyon modeli değerlendirme

Sınıflandırma ve Kümeleme

  – Sınıflandırma
  – Lojistik regresyon ile sınıflandırma
  – K en yakın komşu ile sınıflandırma
  – Destek vektör makinesi (Support Vector Machine) sınıflandırma
  – Naive Bayes ile sınıflandırma
  – Karar ağacı ile sınıflandırma
  – Rastgele orman (Random Forest) ile sınıflandırma
  – Sınıflandırma modeli değerlendirme
  – XGBoost ile sınıflandırma
  – Kümeleme
  – K-Ortalamalar ile kümeleme
  – Hiyerarşik kümeleme

Boyut İndirgeme, En İyi Model Seçimi, Derin Öğrenme Giriş

  – Boyut İndirgeme
  – Temel bileşenler analizi (Principal Component Analysis)
  – Lineer diskriminant analizi
  – Model Seçme
  – K-Fold Cross Validation
  – Grid Search ve Randomized GridSearch
  – Hyperparameter Tuning – En iyi model seçimi
  – Derin Öğrenme Giriş
  – Derin öğrenme teori
  – Tensorflow temel
  – Keras ile ANN
  – Keras ile CNN

 

Eğitimlerle ilgili bilgi almak ve diğer tüm sorularınız için bize ulaşın!

Adınız Soyadınız
Email adresiniz
Telefon Numaranız
Firma İsmi
Mesajınız

Hızlı başvuru yapın !

İlgilendiğiniz Program
Ad Soyad
Eposta Adresiniz
Telefon Numaranız

Sepetim

Sepet Toplamı 0