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
Machine Learning Konseptine Giriş Business
- Yapay Zeka'nın temel bileşeni olarak Makine Öğrenimi
- Makine öğreniminin türleri: denetimli, denetimsiz, teyitli, yarı denetimli
- İş uygulamalarında kullanılan yaygın ML algoritmaları
- AI'de ML'nin zorlukları, riskleri ve potansiyel kullanım alanları
- Aykırı ayarlanma (overfitting) ve önyargı-variyansta (bias-variance) denge
Machine Learning Teknikler ve İş Akışı
- Machine Learning yaşam döngüsü: sorun dan dağıtım a kadar
- Sınıflandırma, regresyon, kümeleme, aykırı değer tespiti
- Denetimli öğrenimi ne zaman kullanmak gerektiğini anlama
- İş otomasyonunda teyitli öğrenimin anlaşılması
- Makine öğrenimi ile desteklenen karar alma süreçleri için dikkat edilmesi gereken noktalar
Veri Ön İşleme ve Özellik Mühendisliği
- Veri hazırlığı: yükleme, temizleme, dönüştürme
- Özellik mühendisliği: kodlama, dönüşüm, oluşturma
- Özellik ölçeklendirme: normalleştirme, standartlaştırma
- Bölgede azaltma: PCA, değişken seçimi
- Araştırma veri analizi ve iş veri görselleştirme
Neural Networks ve Deep Learning
- Yapay sinir ağlarının işte kullanımı hakkında giriş
- Yapı: girdi, gizli ve çıkış katmanları
- Geri yayılım ve aktivasyon fonksiyonları
- Sınıflandırma ve regresyon için yapay sinir ağları
- Tahmin ve desen tanıma için yapay sinir ağlarının kullanımı
Satış Forecasting ve Predictive Analytics
- Zaman serisi vs. regresyon tabanlı tahminleme
- Zaman serilerinin ayrıştırılması: eğilim, mevsimsellik, döngüler
- Yöntemler: doğrusal regresyon, üstel yumuşatma, ARIMA
- Doğrusal olmayan tahminleme için yapay sinir ağları
- Durum çalışması: Forecasting aylık satış hacmi
Business Uygulamalarında Durum Çalışmaları
- Doğrusal regresyon ile daha iyi tahmin için gelişmiş özellik mühendisliği
- Kümeleme ve kendiliğinden organize eden haritalar kullanarak segmentasyon analizi
- Ticari bilgi için market basket analizi ve ilişkisel kural madenciliği
- Lojistik regresyon, karar ağaçları, XGBoost, SVM kullanarak müşteri defolu sınıflandırması
Özet ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- Makine öğrenimi ilkelerini ve uygulamalarını temel düzeyde anlamak
- Sayısal ortamlarda veya veri analizi araçlarında çalışmakla ilgili deneyim
- Python ya da başka bir programlama diline maruz kalmış olmak faydalı olsa da zorunlu değildir
- Gerçek dünya iş problemlerine ve tahminlerine makine öğrenimi uygulamakla ilgilenmek
Hedef Kitle
- Business analistleri
- AI profesyonelleri
- Veri odaklı karar vericiler ve yöneticiler
21 Saat
Danışanlarımızın Yorumları (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Eğitim - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
