Eğitim İçeriği
İşletmelerde Makine Öğrenimi Giriş
- Makine öğreniminin yapay zeka içindeki temel bileşeni
- Makine öğrenimi türleri: gözetimli, gözetimsiz, teyitli, yarı-gözetimsiz
- İş uygulamalarında yaygın olarak kullanılan ML algoritmaları
- Yapay zekada makine öğrenimi için mevcut zorluklar, riskler ve potansiyel kullanım alanları
- Çoklu uyum ve önyükleme-varyasyon ödünlerinin dengesi
Makine Öğrenimi Teknikleri ve İş Akışları
- Makine öğrenimi yaşam döngüsü: sorunlardan dağıtıma
- Sınıflandırma, regresyon, kümeleme, anomali algılama
- Gözetimli öğrenimin ne zaman kullanılması gerektiğinin ve gözetimsiz öğrenime karşılaştırılması
- İş otomasyonunda teyitli öğrenimi anlama
- Makine öğrenimi tarafından yönlendirilen karar alma süreçleri için göz önünde bulundurulacak noktalar
Veri Ön İşleme ve Öznitelik Mühendisliği
- Veri hazırlığı: yükleme, temizleme, dönüştürme
- Öznitelik mühendisliği: kodlama, dönüşüm, oluşturma
- Öznitelik ölçeklendirme: normalleştirme, standartlaştırma
- Boyut azaltma: PCA, değişken seçimi
- Gezginsel veri analizi ve iş verisi görselleştirme
Sinir Ağları ve Derin Öğrenme
- İşletmelerde sinir ağlarına giriş ve kullanım alanları
- Yapı: giriş, gizli ve çıkış katmanları
- Geri yayılım ve aktivasyon fonksiyonları
- Sinir ağlarının sınıflandırma ve regresyon için kullanımı
- Tahmin ve örüntü algılama için sinir ağlarının kullanımı
Satış Tahmini ve Öngörülebilir Analizler
- Zaman serisi karşılaştırmaları: regresyon temelli tahminler
- Zaman serilerinin ayrıştırılması: eğilim, mevsimsellik, döngüler
- Teknikler: lineer regresyon, üstel yumuşatma, ARIMA
- Lineersiz tahmin için sinir ağları
- Durum çalışması: aylık satış hacmi tahmini
İş Uygulamalarında Durum Çalışmaları
- Daha iyi öngörümler için lineer regresyon kullanarak ileri düzey öznitelik mühendisliği
- Kümeleme ve kendiliğinden organize edilen haritalar kullanarak segmentasyon analizi
- Ticari bilgi için pazar sepeti analizi ve ilişki kuralı ayna
- Mantık regresyon, karar ağaçları, XGBoost, SVM kullanarak müşteri tahliye sınıflandırması
Özeti ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- Makine öğrenimi ilkeleri ve uygulamaları hakkındaki temel bilgi
- Tablo ortamlarında veya veri analizi araçlarında çalışmakla ilgili deneyim
- Python ya da başka bir programlama diline maruz kalmak faydalı olabilir ancak zorunlu değildir
- Gerçek dünya iş problemlerine ve tahmin problemlerine makine öğrenimi uygulamaktaki ilgi
Hedef Kitle
- İş analisti
- AI profesyonelleri
- Veri odaklı karar vericiler ve yöneticiler
Danışanlarımızın Yorumları (2)
Yapay zekâyı daha önce hiç kullanmamış kişilerin sorgulama (prompting) sürecinde belirli bir tekrar ve düzen oluşturmalarını sağlarken, halihazırda yapay zekâ kullanan kişilerin ise bu araçları farklı yöntemlerle kullanmayı değerlendirmelerini hedefler.
Matthew Gay - Tarsus Pharmaceuticals
Eğitim - Artificial Intelligence (AI) Overview
Yapay Zeka Çevirisi
Odaklanarak ilk ilkelerden başlamak ve aynı gün içinde örneklem uygulamalarına geçmek
Maggie Webb - Department of Jobs, Regions, and Precincts
Eğitim - Artificial Neural Networks, Machine Learning, Deep Thinking
Yapay Zeka Çevirisi
