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
Uygulamalı Makine Öğrenimi Giriş
- İstatistiksel öğrenme vs. Makine öğrenimi
- Yineleme ve değerlendirme
- Bias-Variance mukayesesi
- Gözetimli vs Gözetimsiz Öğrenme
- Makine öğrenimi ile çözülen problemler
- Eğitim-Doğrulama-Test – Makine Öğrenimi akışı aşamaları ve overfitting kaçırma
- Makine öğrenimi akış süreci
- Makine öğrenme algoritmaları
- Probleme uygun algoritmanın seçilmesi
Algoritma Değerlendirme
-
Sayısal tahminlerin değerlendirilmesi
- Doğruluk ölçüler: ME, MSE, RMSE, MAPE
- Parametre ve tahmin istikrarlığı
-
Sınıflandırma algoritmalarının değerlendirilmesi
- Doğruluk ve sorunları
- Tahmin hatası matrisi (Confusion Matrix)
- Hanebilirsin hatalar problemleri
-
Model performansını görselleştirme
- Karlılık eğrisi (Profit Curve)
- ROC eğrisi (ROC Curve)
- Lift eğrisi (Lift Curve)
- Model seçimi
- Model ayarlama – grid search stratejileri
Modellere Hazır Veri
- Veri içe aktarımı ve depolama
- Veriyi anlama – temel keşifler
- pandas kütüphanesi ile veri manipülasyonu
- Veri dönüşümleri – veri temizleme ve dönüştürme (Data wrangling)
- Gezinti analizi (Exploratory analysis)
- Eksik gözlem tespiti ve çözümler
- Aykırı değerlerin tespiti ve stratejileri
- Standartlaştırma, normalleştirme, ikilik dönüştürme (Binarization)
- Nitel verinin kodlaması
Aykırı Değer Tespit için Makine Öğrenimi Algoritmaları
-
Gözetimli algoritmalar
- KNN
- Ensemble Gradient Boosting
- SVM
-
Gözetimsiz algoritmalar
- Mesafeye dayalı yaklaşımlar
- Yoğunluk tabanlı yöntemler
- Olasılık temelli yöntemler
- Model temelli yöntemler
Derin Öğrenmeye Giriş
- Derin Öğrenme Temel Kavramları
- Makine Öğrenimi ve Derin Öğrenme arasındaki farklar
- Derin Öğrenmenin Uygulama Alanları
Sinir Ağlarına Giriş
- Sinir Ağları nedir?
- Sinir Ağları vs Regresyon Modelleri
- Matematiksel Temeller ve Öğrenme Mekanizmalarını Anlamak
- Yarı yapay sinir ağı oluşturma (Artificial Neural Network)
- Sinir hücresi ve bağlantıları anlama
- Nöronlar, katmanlar ve girdi-çıkış verileri ile çalışma
- Tek Katmanlı Perceptron anlayışı
- Gözetimli ve Gözetimsiz Öğrenme arasındaki farklar
- Yayılım ve Geri Yayılım Sinir Ağları
- Ileri Yayılım (Forward Propagation) ve Geri Yayılım (Back Propagation) anlayışı
Keras ile Basit Derin Öğrenme Modelleri Oluşturma
- Bir Keras modeli oluşturma
- Veriyi anlama
- Derin öğrenme modelini belirtme
- Modeli derleme (Compiling)
- Modeli eğitme (Fitting)
- Sınıflandırma verilerini işleme
- Sınıflandırma modelleri ile çalışma
- Modellerin kullanılması
Derin Öğrenim için TensorFlow ile Çalışmak
-
Verinin Hazırlanması
- Veriyi indirme
- Eğitim verisini hazırlama
- Test verisini hazırlama
- Girişleri Ölçeklendirme (Scaling Inputs)
- Placeholders ve değişkenler kullanma
- Ağ yapısını belirtme
- Maliyet fonksiyonunu (Cost Function) kullanma
- Optimizatör kullanma (Optimizer)
- Başlatıcıları (Initializers) kullanma
- Sinir ağını eğitme (Fitting Neural Network)
-
Grafiği oluşturma (Building the Graph)
- Sonuç (Inference)
- Kayıp (Loss)
- Eğitim (Training)
-
Modeli eğitme (Training the Model)
- Grafiği (The Graph)
- Oturum (The Session)
- Eğitim döngüsü (Train Loop)
-
Modeli değerlendirme (Evaluating the Model)
- Değerlendirme grafiği oluşturma (Building the Eval Graph)
- DeğerlendirmeyiEval output ile değerlendirme (Evaluating with Eval Output)
- -scalable model eğitim
- TensorBoard ile Model Görselleştirme ve Değerlendirme
Derin Öğrenmenin Anomali Tespitte Kullanılması
-
Autoencoder
- Kodlayıcı-Çözücü mimarisi (Encoder - Decoder Architecture)
- Yeniden oluşturma kaybı (Reconstruction loss)
-
Varyasyonel Autoencoder
- Varyasyonel tahmin (Variational inference)
-
Kararlı Zaman Serileri Modeli
- Oluşturucu - Ayırıcı mimarisi (Generator – Discriminator architecture)
- AN kullanmak için GAN yaklaşımları (Approaches to AN using GAN)
Kombineli Çerçeveler (Ensemble Frameworks)
- Farklı yöntemlerden elde edilen sonuçları birleştirme
- Yeniden örnekleme ile_agregating (Bootstrap Aggregating)
- Aykırı değer puanlarının ortalaması
Kurs İçin Gerekli Önbilgiler
- Python programlama deneyimi
- İstatistik ve matematik kavramlarına temel aşinalık
Hedef Kitle
- Geliştiriciler
- Veri bilimciler
28 Saat
Danışanlarımızın Yorumları (5)
Görsel eğitim, derin öğrenme modelleri ve ilgili yöntemler hakkında ilginç bir genel bakış sundu. Konu bana oldukça yeniydi, ancak şimdi AI ve ML'nin ne içerdiği ve bu terimlerle nasıl avantajlı bir şekilde çalışılabileceğine dair fikir sahibi olduğumu hissediyorum. Genel olarak, istatistiksel arka planla başlayıp doğrusal regresyon gibi temel öğrenme modellerini vurgulayan yaklaşımı sevdim, özellikle arasına yerleştirilen egzersizlere özen gösterdiler.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
Anna her zaman soru var mı diye sormaktaydı ve bizi daha aktif hale getirmek için sorular sorarak, eğitimde gerçekten daha fazla參透率提示：似乎在翻译文本的过程中出现了一点混合，最后的回应中包含了未完成的翻译和无关的元素。根据指示，需要将给定的英文内容准确地翻译成土耳其语，并保持原始结构和格式不变。下面是正确的翻译： Anna her zaman soru var mı diye sormaktaydı ve bizi daha aktif hale getirmek için sorular sorarak, eğitimde gerçekten daha fazla ilgilendirdi.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
Seçkilere nasıl entegre edildiğine beğendim.
Bertan - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
Antrenörün geniş deneyim / bilgi
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
VM bir güzel fikir
Vincent - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
