Eğitim İçeriği
Uygulamalı Makine Öğrenimine Giriş
- İstatistiksel öğrenme vs. Makine öğrenimi
- İterasyon ve değerlendirme
- Önyargı-Değişkenlik ödünleşimi (Bias-Variance trade-off)
- Gözetimli vs. Gözetimsiz Öğrenme
- Makine Öğrenimi ile çözülen problemler
- Eğit-Doğrula-Test – Aşırı uyumu önlemek için ML iş akışı
- Makine Öğrenimi iş akışı
- Makine öğrenimi algoritmaları
- Probleme uygun algoritmayı seçme
Algoritma Değerlendirmesi
-
Sayısal tahminlerin değerlendirilmesi
- Doğruluk ölçüleri: ME, MSE, RMSE, MAPE
- Parametre ve tahmin kararlılığı
-
Sınıflandırma algoritmalarının değerlendirilmesi
- Doğruluk ve sorunları
- Karışıklık matrisi
- Dengesiz sınıflar problemi
-
Model performansını görselleştirme
- Kâr eğrisi
- ROC eğrisi
- Kaldıraç (Lift) eğrisi
- Model seçimi
- Model ayarlama – Izgara arama (grid search) stratejileri
Modelleme için Veri Hazırlığı
- Veri içe aktarma ve depolama
- Veriyi anlama – Temel keşifler
- pandas kütüphanesi ile veri manipülasyonu
- Veri dönüşümleri – Veri işleme (Data wrangling)
- Keşif amaçlı analiz
- Eksik gözlemler – Tespit ve çözümler
- Aşırı değerler (Outliers) – Tespit ve stratejiler
- Standartlaştırma, normalizasyon, binarizasyon
- Nitel veri yeniden kodlaması
Aşırı Değer Tespiti için Makine Öğrenimi Algoritmaları
-
Gözetimli algoritmalar
- KNN
- Ensemble Gradient Boosting
- SVM
-
Gözetimsiz algoritmalar
- Mesafe tabanlı
- Yoğunluk tabanlı yöntemler
- Olasılıksal yöntemler
- Model tabanlı yöntemler
Derin Öğrenmeyi Anlama
- Derin Öğrenmenin Temel Kavramlarının Genel Bakışı
- Makine Öğrenimi ile Derin Öğrenmenin Farkları
- Derin Öğrenmenin Uygulama Alanlarına Genel Bakış
Sinir Ağlarına Genel Bakış
- Sinir Ağı nedir?
- Sinir Ağı vs. Regresyon Modelleri
- Matematiksel Temelleri ve Öğrenme Mekanizmalarını Anlama
- Yapay Sinir Ağı Oluşturma
- Sinir Düğümlerini ve Bağlantıları Anlama
- Nöronlar, Katmanlar ve Giriş/Çıkış Verileri ile Çalışma
- Tek Katmanlı Perceptron'ları Anlama
- Gözetimli ve Gözetimsiz Öğrenme Arasındaki Farklar
- Feedforward ve Feedback Sinir Ağlarını Öğrenme
- İleri Yayılım (Forward Propagation) ve Geri Yayılım (Back Propagation) Anlama
Keras ile Basit Derin Öğrenme Modelleri Oluşturma
- Keras Modeli Oluşturma
- Verinizi Anlama
- Derin Öğrenme Modelinizi Belirleme
- Modelinizi Derleme (Compiling)
- Modelinizi Eğitme (Fitting)
- Sınıflandırma Veriniz ile Çalışma
- Sınıflandırma Modelleri ile Çalışma
- Modellerinizi Kullanma
Derin Öğrenme için TensorFlow ile Çalışma
-
Veriyi Hazırlama
- Veriyi İndirme
- Eğitim Verisini Hazırlama
- Test Verisini Hazırlama
- Girdileri Ölçekleme (Scaling)
- Yer Tutucuları (Placeholders) ve Değişkenleri Kullanma
- Ağ Mimarisini Belirleme
- Maliyet Fonksiyonunu Kullanma
- Optimizörü Kullanma
- Başlatıcıları (Initializers) Kullanma
- Sinir Ağını Eğitme
-
Grafiği Oluşturma
- Çıkarım (Inference)
- Kayıp (Loss)
- Eğitim
-
Modeli Eğitme
- Graf
- Oturum (Session)
- Eğitim Döngüsü (Train Loop)
-
Modeli Değerlendirme
- Değerlendirme Grafğini Oluşturma
- Değerlendirme Çıktısı ile Değerlendirme
- Ölçekli Model Eğitimi
- TensorBoard ile Modelleri Görselleştirme ve Değerlendirme
Anomali Tespitinde Derin Öğrenme Uygulaması
-
Oto-enkoder (Autoencoder)
- Kodlayıcı - Çözücü (Encoder - Decoder) Mimarisi
- Yeniden yapılandırma kaybı (Reconstruction loss)
-
Varyasyonel Oto-Enkoder (Variational Autencoder)
- Varyasyonel çıkarım
-
Üretken Düşman Ağı (Generative Adversarial Network - GAN)
- Üretici – Ayırt Edici (Generator – Discriminator) mimarisi
- AN için GAN yaklaşımları
Ensemble Çerçeveleri
- Farklı yöntemlerden gelen sonuçları birleştirme
- Bootstrap Aggregating
- Aşırı değer skorunu ortalama
Kurs İçin Gerekli Önbilgiler
- Python programlama deneyimi
- İstatistik ve matematik kavramlarına temel düzeyde aşinalık
Hedef Kitle
- Yazılım geliştiriciler
- Veri bilimciler
Danışanlarımızın Yorumları (5)
Eğitim, derin öğrenme modelleri ve bunlarla ilgili yöntemler hakkında ilgi çekici bir genel bakış sağladı. Bu konu bana oldukça yeni gelmişti, ancak şimdi yapay zeka ve makine öğrenmesinin ne içerdiğini, bu terimlerin neye atıfta bulunduklarını ve nasıl avantajlı bir şekilde kullanılabileceklerini anladığımı hissediyorum. Genel olarak, istatistiksel arka planla başlamak ve doğrusal regresyon gibi temel öğrenme modellerine vurgu yapma yaklaşımlarını, özellikle ortadaki alıştırmaları vurgulayarak sevdim.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
Anna her ders boyunca hep sorular sormaya çalışıyordu ve bu bize daha aktif kılmasını sağlıyordu. Bu sayede eğitimde gerçekten hepsimiz dahil olduk.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
Uygulamalarla nasıl bütünleştirildiğine çok değer verdim.
Bertan - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
Eğitmenin kapsamlı deneyimi / bilgisi
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
VM, güzel bir fikir.
Vincent - REGNOLOGY ROMANIA S.R.L.
Eğitim - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Yapay Zeka Çevirisi
