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
- Bayes yöntemlerinin temel kavramları
- Olasılık
- Eklem olasılık
- Bayes teoremi ile koşullu olasılık
- Naive Bayes algoritması
- Naive Bayes sınıflandırması
- Laplace tahmincisi
- Naive Bayes ile sayısal özelliklerin kullanılması
2. Karar Ağaçlarını Anlama
- Böl ve yönet
- C5.0 karar ağacı algoritması
- En iyi bölmeyi seçme
- Karar ağacını budama
3. Destek Vektör Makinelerini Anlama
- Doğrusal sınıflandırıcılar
- Hiper düzlemler ve marjlar
- Destek vektörleri
- Çekirdek hilesi
- SVM'ler ile sınıflandırma
4. Yapay Sinir Ağlarını Anlama
- Perceptronlar
- Çok katmanlı perceptronlar
- Geri yayılım
- Aktivasyon fonksiyonları
- Sinir ağlarını eğitme
5. Kümelemeyi Anlama
- K-ortalamalar kümelemesi
- Hiyerarşik kümeleme
- DBScan
- Kümeleme değerlendirmesi
6. Boyut İndirgeme
- Temel Bileşenler Analizi (PCA)
- Doğrusal Diskriminant Analizi (LDA)
- Tekil Değer Ayrışımı (SVD)
7. Modelleri Daha İyi Performans İçin Ayarlama
- Otomatik parametre ayarlaması için caret kullanımı
- Basit ayarlanmış bir model oluşturma
- Ayarlama sürecini özelleştirme
- Meta öğrenme ile model performansını iyileştirme
- Topluluk öğrenmeyi anlama
- Torbalama
- Artırma
- Rastgele ormanlar
- Rastgele ormanları eğitme
- Rastgele orman performansını değerlendirme
KÜÇÜK KONULAR
8. En Yakın Komşular Kullanarak Sınıflandırmayı Anlama
- kNN algoritması
- Mesafe hesaplama
- Uygun bir k seçme
- kNN ile kullanılmak üzere verileri hazırlama
- kNN algoritması neden tembeldir?
9. Sınıflandırma Kurallarını Anlama
- Ayrıştır ve yönet
- One Rule algoritması
- RIPPER algoritması
- Karar ağaçlarından kurallar
10. Regresyonu Anlama
- Basit doğrusal regresyon
- En küçük kareler tahmini
- Korelasyonlar
- Çoklu doğrusal regresyon
11. Regresyon Ağaçlarını ve Model Ağaçlarını Anlama
- Ağaçlara regresyon ekleme
12. İlişkilendirme Kurallarını Anlama
- İlişkilendirme kuralı öğrenimi için Apriori algoritması
- Kural ilgisini ölçme – destek ve güven
- Apriori ilkesiyle bir dizi kural oluşturma
Ekstralar
- Spark/PySpark/MLlib ve Çok Kollu Haydutlar
21 Saat
Danışanlarımızın Yorumları (5)
Keeping it short and simple. Creating intuition and visual models around the concepts (decision tree graph, linear equations, calculating y_pred manually to prove how the model works).
Nicolae - DB Global Technology
Eğitim - Machine Learning
It helped me achieve my goal of understanding ML. Much respect for Pablo for giving a proper introduction in this topic, since it becomes obvious after 3 days of training how vast this topic is. I have also enjoyed A LOT the idea of virtual machines you have provided, which had very good latency! It allowed every coursant to do experiments at their own pace.
Silviu - DB Global Technology
Eğitim - Machine Learning
The way practical part, seeing the theory materializing into something practical is great.
Lisa Fekade - Vodacom
Eğitim - Machine Learning
It's just great that all material including the exercises is on the same page and then it gets updated on the fly. The solution is revealed at the end. Cool! Also, I do appreciate that Krzysztof took extra effort to understand our problems and suggested us possible techniques.
Attila Nagy - L M ERICSSON LIMITED
Eğitim - Machine Learning
I liked the lab exercises.
