Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
Giriş
Bu bölüm, 'makine öğrenimi'nin ne zaman kullanılacağına, nelere dikkat edilmesi gerektiğine ve tüm bunların ne anlama geldiğine dair genel bir tanıtım sunar; avantajları ve dezavantajları da içerir. Veri türleri (yapılandırılmış/yapılandırılmamış/statik/sürekli), veri geçerliliği/hacmi, veri odaklı ve kullanıcı odaklı analizler, istatistiksel modeller ve makine öğrenimi modelleri, denetimsiz öğrenmenin zorlukları, yanlılık-varyans dengesi, yineleme/değerlendirme, çapraz doğrulama yaklaşımları, denetimli/denetimsiz/takviyeli öğrenme.
ANA KONULAR
1. Naive Bayes'i Anlama
- Bayesci yöntemlerin temel kavramları
- Olasılık
- Birlikte olasılık
- Bayes teoremiyle koşullu olasılık
- Naive Bayes algoritması
- Naive Bayes sınıflandırması
- Laplace tahminleyicisi
- Numeric özelliklerle naive Bayes kullanımı
2. Karar Ağaçlarını Anlama
- Böl ve fethet
- C5.0 karar ağacı algoritması
- En iyi bölünmeyi seçme
- Karar ağını kestirme
3. Destek Vektör Makinelerini Anlama
- Biyolojik nöronlardan yapay nöronlara
- Etkileşim fonksiyonları
- Ağ topolojisi
- Katman sayısı
- Bilgi seyahatinin yönü
- Her katmanda bulunan düğüm sayısı
- Geri yayılım ile sinir ağlarını eğitme
- Deep Learning
4. Yapay Sinir Ağlarını Anlama
- Hiperplanlarla sınıflandırma
- Maksimum marjın bulma
- Düzenli olarak ayrılabilir veri durumu
- Düzenli olarak ayrılamayan veri durumu
- Non-lineer uzaylarda çekirdekler kullanma
5. Kümelemeyi Anlama
- Kümeleme makine öğrenimi görevi olarak
- Kümelemede k-means algoritması
- Mesafeyi kullanarak kümelere atama ve güncelleme
- Uygun küme sayısını seçme
6. Boyut İndirgeme
- Sınıflandırma tahmini verileriyle çalışma
- Konuşma matrislerine yakından bakış
- Konuşma matrislerini performans ölçümü için kullanma
- Doğruluk ötesinde - diğer performans ölçüleri
- Kappa istatistiği
- Hassasiyet ve spesifitiklik
- Dokunabilirlik ve geri çağırma
- F ölçüsü
- Performans ödünçlerini görselleştirme
- ROC eğrileri
- Mevcut performans tahmini
- Bölüm yöntemi
- Çapraz doğrulama
- Bootstrap örnekleme
7. Modelleri Daha İyi Performans İçin Ayarlama
- Caret ile otomatik parametre ayarlaması kullanımı
- Basit bir ayarlanmış model oluşturma
- Ayarlama sürecini özelleştirme
- Meta-öğrenme ile model performansını iyileştirme
- Kütleleri anlama
- Ciltleme
- Takviye
- Rastgele ormanlar
- Rastgele ormanları eğitme
- Rastgele ormanın performansını değerlendirme
KÜÇÜK KONULAR
8. En Yakın Komşular Kullanarak Sınıflandırmayı Anlama
- kNN algoritması
- Mesafeyi hesaplama
- Uygun bir k seçme
- kNN kullanımı için veriyi hazırlama
- kNN algoritmasının neden uykulu olduğu?
9. Sınıflandırma Kurallarını Anlama
- Böl ve fethet
- The One Rule algoritması
- RIPPER algoritması
- Karar ağaçlarından kurallar
10. Regresyonu Anlama
- Basit doğrusal regresyon
- Orta kare tahminleyici
- Korelasyonlar
- Birden fazla değişkenli doğrusal regresyon
11. Regresyon Ağaçlarını ve Model Ağaçlarını Anlama
- Ağaçlara regresyon eklemek
12. İlişkilendirme Kurallarını Anlama
- Bağlantı kuralları öğrenmek için Apriori algoritması
- Kural ilgisini ölçme – destek ve güvenilirlik
- Apriori prensibine dayalı bir kural seti oluşturma
Ekstralar
- Spark/PySpark/MLlib ve Çoklu kol banditleri
Kurs İçin Gerekli Önbilgiler
Python Bilgi
21 Saat
Danışanlarımızın Yorumları (7)
Eğitimden büyük bir zevk aldım ve Makine Öğrenimi konusuna daha derinlemesine girmeye değer verdim. Teorik bilgi ile pratik uygulamalar arasındaki dengenin, özellikle ellerden gelme kodlama oturumlarının yanı sıra, çok değerli buldum. Eğitmen, öğrenme deneyimini artırıcı, ilgi çekici örnekler ve iyi tasarlanmış alıştırmalar sağladı. Kurs geniş bir konu yelpadı içerdı ve Abhi, tüm sorulara netlik ve kolaylıkla cevap vererek harika bir uzmanlık sergiledi.
Valentina
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Egzersizi teoriyi anlamama ve adım adım uygulamama yardımcı olduğuna değer verdim. Ayrıca eğitmenin her şeyi basit ve anlaşılır bir şekilde anlatması da bana çok yetti. Python'da deneyimim az olsa bile, takip etmek kolaydı ve ilgili olduğum bir konuda öğrenme fırsatını kaçırmak istemedim. Ayrıca sunulan bilgi çeşitliliğine ve eğitmenin kavramları anlamamıza yardımcı olmak için açıklamada ve desteğinde bulunma arzusuna da değer verdim. Bu kursun ardından, makine öğrenimi kavramları bana çok daha açıktır ve şimdi konu hakkında bir yön ve daha iyi anlayışa sahip hissediyorum.
Cristina
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Eğitim sonunda, sunulan konuların gerçek hayattaki kullanımını görebildim.
Daniel
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Yavaşlıktan, teorinin ve uygulamanın dengelemesinden, ele alınan temel konularından ve eğitmenin her şeyi dengede tutabilme şeklinden çok hoşlandım. Ayrıca, eğitim altyapınızdan da çok memnunum, sanal makinelerle çalışmak oldukça pratik.
Andrei
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Kısa ve basit tutmak. Kavramlar etrafında sezgi ve görsel modeller oluşturma (karar ağacı grafiği, lineer denklemler, modelin nasıl çalıştığını göstermek için y_pred'yi manuel olarak hesaplama).
Nicolae - DB Global Technology
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Hedefim olan ML'yi anlama konusunda bana yardımcı oldu. Pablo'nun bu konuda uygun bir giriş yapması için çok saygı duyuyorum, çünkü 3 gün eğitimden sonra bu konunun ne kadar geniş olduğunu anlamak kolay. Ayrıca, her kursa katılanın kendi hızında deneyimler yapmasına olanak tanıyan ve çok iyi gecikme süresine sahip sanal makinalarınızdan da AÇIK ŞEKİLDE keyif aldım.
Silviu - DB Global Technology
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Pratik kısmın, teorinin somut bir şeye dönüşmesini görmek harika bir deneyimdir.
Lisa Fekade - Vodacom
Eğitim - Machine Learning
Yapay Zeka Çevirisi
