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)
Eğitimi çok keyifli buldum ve Machine Learning konusuna derinlemesine girilmesini sevdim. Teorinin uygulamalı bir şekilde kullanılması arasındaki dengeyi takdir ettim, özellikle elden geçiren kodlama oturumlarını. Eğitmen ilgi çekici örnekler sundu ve öğrenme deneyimini geliştiren iyi tasarlanmış egzersizleri sağladı. Kurs geniş bir konu yelpazesini kapsadı ve Abhi tüm sorulara netlik ve kolaylıkla cevap vererek muhteşem uzmanlığı gösterdi.
Valentina
Eğitim - Machine Learning
Yapay Zeka Çevirisi
İncelediğim egzersiz teoriyi anlamamı ve adım adım uygulamama yardımcı oldu ve bu benim için çok faydalıydı. Ayrıca eğitmenin her şeyi basit ve açık bir şekilde anlatması benim için çok kolaydı. Python konusunda çok deneyimli olmam rağmen, bana gerçekten ilgi duyduğum bir şey öğrenme fırsatını kaçırmak istemedim. Ayrıca sunulan bilgilerin çeşitliliğini ve eğitmenin kavramları anlamamıza yardımcı olmak için varlığını sürdürmesini de çok sevdim. Bu kurs sonrası, makine öğrenimi kavramları bana çok daha açık hale geldi ve şimdi konu hakkında bir yönüm ve daha iyi bir anlayışım olduğunu hissediyorum.
Cristina
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Eğitim sonunda sunulan konuların gerçek hayat uygulamalarını görebildim.
Daniel
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Hızı beğendim, teorinin ve uygulamanın dengelemesini, kapsanan ana konuları ve eğitmenin her şeyi nasıl dengede tuttuğunu beğendim. Ayrıca eğitim altyapınızı da çok sevdim, VM'lerle çalışmak için çok pratik.
Andrei
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Kısa ve basit tutuyoruz. Kavramlar etrafında sezgi ve görsel modeller oluşturuyoruz (karar ağaç grafiği, doğrusal denklemler, modelin nasıl çalıştığını kanıtlamak için y_pred'yi el ile hesaplama).
Nicolae - DB Global Technology
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Bana ML'yi anlamak konusundaki hedefime ulaşmada yardımcı oldu. Bu konuda doğru bir giriş sunan Pablo'a çok saygı duyuyorum, çünkü 3 günlük eğitimden sonra bu konunün ne kadar geniş olduğunu anlıyorsunuz. Sağladığınız sanal makineler fikrinin de çok keyif aldığımı söyleyebilirim ve bu makinelerin gecikmesi çok iyiydı! Bu, her kursiyerin kendi hızlarında deneyimler yapmasına olanak sağladı.
Silviu - DB Global Technology
Eğitim - Machine Learning
Yapay Zeka Çevirisi
Pratik bölümün yolunu izlemek, teoriyi pratik bir şeyde canlandığını görmek harika.
Lisa Fekade - Vodacom
Eğitim - Machine Learning
Yapay Zeka Çevirisi
