Eğitim İçeriği
Giriş
Bu bölüm, 'makine öğrenimi'nin ne zaman kullanılacağı, hangi faktörlerin göz önünde bulundurulması gerektiği ve bunun ne anlama geldiği dahil olmak üzere avantajları ve dezavantajları da içeren genel bir tanıtım sunar. Veri türleri (yapılandırılmış/yapısız/statik/akışkan), veri geçerliliği/hacmi, veri odaklı ile kullanıcı odaklı analitik, istatistiksel modeller ile makine öğrenimi modelleri, denetimsiz öğrenmenin zorlukları, sapma-değişkenlik ödünleşimi, yineleme/değerlendirme, çapraz doğrulama yaklaşımları ve denetimli/denetimsiz/pekiştirmeli öğrenme konuları ele alınır.
ANA KONULAR
1. Naive Bayes'i Anlama
- Bayes yöntemlerinin temel kavramları
- Olasılık
- Ortak olasılık
- Bayes teoremi ile koşul olasılığı
- Naive Bayes algoritması
- Naive Bayes sınıflandırması
- Laplace tahmin edicisi
- Naive Bayes ile sayısal özelliklerin kullanımı
2. Karar Ağaçlarını Anlama
- Böl ve fethet (Divide and conquer)
- C5.0 karar ağacı algoritması
- En iyi bölünmenin seçimi
- Karar ağacının budanması (pruning)
3. Sinir Ağlarını Anlama
- Biyolojik nöronlardan yapay nöronlara
- Aktivasyon fonksiyonları
- Ağ topolojisi
- Katman sayısı
- Bilgi akışının yönü
- Her katmandaki düğüm sayısı
- Geri yayılım (backpropagation) ile sinir ağlarının eğitimi
- Derin Öğrenme
4. Destek Vektör Makinelerini (SVM) Anlama
- Hiperdüzlemlerle sınıflandırma
- Maksimum kenarın (margin) bulunması
- Doğrusal olarak ayrılabilir veri durumu
- Doğrusal olmayan ayrılabilir veri durumu
- Doğrusal olmayan uzaylar için çekirdeklerin (kernels) kullanımı
5. Kümelemeyi Anlama
- Kümelemede bir makine öğrenimi görevi olarak
- Kümeleme için k-ortalamalar (k-means) algoritması
- Kümeleri atamak ve güncellemek için mesafenin kullanımı
- Uygun küme sayısının seçimi
6. Sınıflandırmada Performans Ölçümü
- Sınıflandırma tahmin verileriyle çalışma
- Karışıklık matrislerine (confusion matrices) daha yakından bakış
- Performansı ölçmek için karışıklık matrislerinin kullanımı
- Doğruluğun ötesinde – diğer performans ölçütleri
- Kappa istatistiği
- Hassasiyet (Sensitivity) ve özgüllük (Specificity)
- İzleme (Precision) ve geri çağırma (Recall)
- F-ölçümü (F-measure)
- Performans ödünleşimlerinin görselleştirilmesi
- ROC eğrileri
- Gelecek performansının tahmini
- Holdout yöntemi
- Çapraz doğrulama (Cross-validation)
- Bootstrap örnekleme
7. Daha İyi Performans İçin Hazır Modellerin Ayarlanması (Tuning)
- Otomatik parametre ayarı için caret kullanımı
- Basit bir ayarlanmış model oluşturma
- Ayar sürecinin özelleştirilmesi
- Meta-öğrenme ile model performansının iyileştirilmesi
- Ensamblları (ensembles) anlama
- Bagging
- Boosting
- Rastgele ormanlar (Random forests)
- Rastgele ormanların eğitimi
- Rastgele orman performansının değerlendirilmesi
KÜÇÜK KONULAR
8. En Yakın Komşular (Nearest Neighbors) Kullanarak Sınıflandırmayı Anlama
- kNN algoritması
- Mesafenin hesaplanması
- Uygun bir k değerinin seçimi
- kNN ile kullanım için veri hazırlığı
- Neden kNN algoritması tembel (lazy)dir?
9. Sınıflandırma Kurallarını Anlama
- Ayır ve fethet (Separate and conquer)
- One Rule algoritması
- RIPPER algoritması
- Karar ağaçlarından kurallar
10. Regresyonu Anlama
- Basit doğrusal regresyon
- Sıradan en küçük kareler tahmini (Ordinary least squares estimation)
- İlişkiler (Correlations)
- Çoklu doğrusal regresyon
11. Regresyon Ağaçlarını ve Model Ağaçlarını Anlama
- Ağaçlara regresyon ekleme
12. İlişki Kurallarını (Association Rules) Anlama
- İlişki kuralı öğrenme için Apriori algoritması
- Kural ilgisini ölçme – destek ve güven (support and confidence)
- Apriori ilkesiyle bir kural seti oluşturma
Ekstralar
- Spark/PySpark/MLlib ve Çok Kollu Yemlek Makineleri (Multi-armed bandits)
Kurs İçin Gerekli Önbilgiler
Python Bilgisi
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
