Eğitim İçeriği
Giriş
Bu bölüm, 'makine öğrenimi'ni ne zaman kullanmanız gerektiği, dikkate alınması gerekenler ve bunların tümünün anlamı dahil olmak üzere artıları ve eksileri ile genel bir tanıtım sunar. Veri türleri (yapılandırılmış/yapılandırılmamış/sabit/akışlı), veri geçerliliği/hacmi, veri odaklı vs. kullanıcı odaklı analiz, istatistiksel modeller vs. makine öğrenimi modelleri / denetimli olmayan öğrenimin zorlukları, önyargı-yanlılık dengesi, yineleme/değerlendirme, çapraz doğrulama yaklaşımları, denetimli/denetimsiz/güçlendirilmiş öğrenim.
ANA KONULAR
1. Naive Bayes'i Anlamak
- Bayes yöntemlerinin temel kavramları
- Olasılık
- Kesin olasılık
- Bayes teoremi ile koşullu olasılık
- Naive Bayes algoritması
- Naive Bayes sınıflandırma
- Laplace tahmincisi
- Naive Bayes ile sayısal özelliklerin kullanımı
2. Karar Ağaçlarını Anlamak
- Böl ve yönet
- C5.0 karar ağacı algoritması
- En iyi bölünmenin seçilmesi
- Karar ağacının budanması
3. Sinir Ağlarını Anlamak
- Biyolojik sinirlerden yapay nöronlara
- Etkinleştirme işlevleri
- Ağ topolojisi
- Katmanların sayısı
- Bilgi akışının yönü
- Her katmandaki düğüm sayısı
- Geri yayılım ile sinir ağlarının eğitimi
- Derin Öğrenme
4. Destek Vektör Makinelerini Anlamak
- Hiperdüzlemlerle sınıflandırma
- Maksimum marjın bulunması
- Doğrusal olarak ayrılabilen veriler durumu
- Doğrusal olarak ayrılamayan veriler durumu
- Doğrusal olmayan uzaylar için çekirdeklerin kullanımı
5. Kümelemeyi Anlamak
- Kümeleme bir makine öğrenimi görevi olarak
- Kümeleme için k-ortalama algoritması
- Kümelere atama ve güncelleme için mesafe kullanımı
- Uygun küme sayısının seçilmesi
6. Sınıflandırma için performans ölçümü
- Sınıflandırma tahmin verileriyle çalışma
- Çarpışma matrislerine yakından bakış
- Performansı ölçmek için çarpışma matrislerinin kullanımı
- Doğruluğun ötesinde – diğer performans ölçüleri
- Kappa istatistiği
- Hassasiyet ve özgüllük
- İlginçlik ve doğruluk
- F-ölçüsü
- Performans ödemelerini görselleştirme
- ROC eğrileri
- Gelecek performansın tahmini
- Tutma yöntemi
- Çapraz doğrulama
- Bootstrap örneklemesi
7. Daha iyi performans için sabit modellerin ayarlanması
- Otomatik parametre ayarı için caret kullanımı
- Basit bir ayarlı model oluşturma
- Ayarlama sürecinin özelleştirilmesi
- Meta-öğrenimle model performansını iyileştirme
- Ensemble'leri anlama
- Bagging
- Boosting
- Rastgele ormanlar
- Rastgele ormanların eğitilmesi
- Rastgele orman performansının değerlendirilmesi
YAN KONULAR
8. En yakın komşuları kullanarak sınıflandırmayı anlama
- kNN algoritması
- Mesafe hesaplama
- Uygun bir k seçimi
- kNN ile kullanılmak üzere verilerin hazırlanması
- Neden kNN algoritması tembel?
9. Sınıflandırma kurallarını anlama
- Ayır ve yönet
- Bir Kural algoritması
- RIPPER algoritması
- Karar ağaçlarından kurallar
10. Regresyonu anlama
- Basit lineer regresyon
- En küçük kareler tahmini
- Korelasyonlar
- Çoklu lineer regresyon
11. Regresyon ağaçlarını ve model ağaçlarını anlama
- Ağaçlara regresyon eklemek
12. İlişki kurallarını anlama
- İlişki kuralı öğrenme için Apriori algoritması
- Kural ilgisi ölçümü – destek ve güven
- Apriori ilkesiyle bir kural seti oluşturma
Ekstralar
- Spark/PySpark/MLlib ve Çok Kollu Bandit
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
