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
Makine Öğrenimi
Makine Öğrenimine Giriş
- Makine öğreniminin uygulama alanları
- Denetimli ve denetimsiz öğrenim arasındaki farklar
- Makine öğrenimi algoritmaları
- Doğrusal Regresyon (Regression)
- Sınıflandırma (Classification)
- Ünsüzlemeler (Clustering)
- Tavsiye Sistemleri (Recommender System)
- Anormallik Tespiti (Anomaly Detection)
- Taşınabilir Öğrenme (Reinforcement Learning)
Doğrusal Regresyon
- Basit ve Çoklu Doğrusal Regresyon
- En Küçük Kareler Metodu
- Katsayıların Tahmini
- Katsayı Tahminlerinin Doğruluğunun Değerlendirilmesi
- Modelin Doğruluğunun Değerlendirilmesi
- Tahmin Sonrası Analiz
- Doğrusal Modellerde Diğer Dikkat Edilecek Noktalar
- Niteliksel Tahminleyiciler
- Doğrusal Modellerin Genişletilmeleri
- Potansiyel Sorunlar
- Bias-Varyans Dengesi (Aşırı Uyumsuzluk/Über-Uyum)
Yeniden Örneklemeye Yöntemleri
- Çapraz Doğrulama (Cross-Validation)
- Doğrulama Kümesi Yaklaşımı
- Bir Orta Değerli Çapraz Doğrulama (Leave-One-Out Cross-Validation)
- k-Katlı Çapraz Doğrulama (k-Fold Cross-Validation)
- k-Katlı için Bias-Varyans Dengesi
- Örneklem Tekrarı (The Bootstrap)
Model Seçimi ve Düzenleme
- Alt Küme Seçimi
- En İyi Alt Küme Seçimi
- Adımlı Seçim
- Optimal Modelin Seçilmesi
- Düzenleme Yöntemleri/Sıkıştırma
- Büküm Regresyonu (Ridge Regression)
- Lasso ve Elastik Ağı (Lasso & Elastic Net)
- Düzeltilebilir Parametrenin Seçimi
- Boyut Azaltma Yöntemleri
- Birinci Bileşenler Regresyonu (Principal Components Regression)
- Kısmi En Küçük Kareler (Partial Least Squares)
Sınıflandırma
Lojistik Regresyon
- Lojistik Model Maliyet Fonksiyonu
- Katsayıların Tahmini
- Tahminlerin Yapılması
- Odds Oranı
- Başarı Değerlendirme Matrisleri
- Duyarlılık/Spezifite/PPV/NPV
- Hassasiyet (Precision)
- ROC Eğrisi
- Çoklu Lojistik Regresyon
- 2'den Fazla Cevap Sınıfı için Lojistik Regresyon
- Düzenlenmiş Lojistik Regresyon
Doğrusal Ayırma Analizi (Linear Discriminant Analysis)
- Sınıflandırma İçin Bayes Teoremi Kullanımı
- p=1 için Doğrusal Ayırma Analizi
- p>1 için Doğrusal Ayırma Analizi
Kuadratik Ayırma Analizi (Quadratic Discriminant Analysis)
K-En Yakın Komşular (K-Nearest Neighbors)
- Doğrusal Olmayan Karar Sınırları ile Sınıflandırma
Destek Vektör Makineleri (Support Vector Machines)
- Optimizasyon Hedefi
- Maksimum Kenar Uzunluğu Sınıflandırıcı
- Çekirdekler (Kernels)
- Bir-Karşı-Bir Sınıflandırma
- Bir-Karşı-Hepsi Sınıflandırma
Sınıflandırma Yöntemleri Karşılaştırması
Derin Öğrenim (Deep Learning)
Derin Öğrenime Giriş
Yapay Sinir Ağları (ANNs)
- Biyolojik nöronlar ve yapay nöronlar
- Doğrusal Olmayan Hipotez
- Model Temsil
- Örnekler ve Intuitions
- Transfer Fonksiyonları/aktivasyon fonksiyonları
- Tipik Ağ Mimari Sınıfları
- Besleme Yönlü ANN (Feedforward ANN)
- Çok Katmanlı Besleme Yönlü Ağlar
- Geri Yayılım Algoritması (Backpropagation Algorithm)
- Geri Yayılım - Eğitim ve Yakınsama
- Geri Yayılım ile Fonksiyon Yaklaşımı
- Geri Yayılım Öğrenme için Pratik ve Tasarım Sorunları
Derin Öğrenim
- Yapay Zeka ve Derin Öğrenim
- Softmax Regresyonu
- Kendi Kendine Öğrenen Sistemler (Self-Taught Learning)
- Derin Ağlar (Deep Networks)
- Demonstrasyonlar ve Uygulamalar
Laboratuvar:
R ile Başlarken
- R'ye Giriş
- Temel Komutlar & Kütüphaneler
- Veri Manipülasyonu
- Verinin İçe ve Dışa Aktarılması
- Grafiksel ve Sayısal Özetler
- Fonksiyon Yazma
Doğrusal Regresyon
- Basit ve Çoklu Doğrusal Regresyon
- Etkileşim Terimleri
- Doğrusal Olmayan Dönüşümler
- Dummy Değişken Regresyonu
- Çapraz Doğrulama ve Örneklem Tekrarı (Bootstrap)
- Alt Küme Seçimi Yöntemleri
- Cezalandırma (Büküm, Lasso, Elastik Ağı)
Sınıflandırma
- Lojistik Regresyon, Doğrusal Ayırma Analizi (LDA), Kuadratik Ayırma Analizi (QDA) ve K-En Yakın Komşular (KNN)
- Yeniden Örneklemeye & Düzenleme
- Destek Vektör Makinesi (Support Vector Machine)
Notlar:
- Makine öğrenimi algoritmaları için, uygulamalarının, avantajlarının ve potansiyel sorunlarının tartışılmasında vaka çalışmaları kullanılacaktır.
- Farklı veri setlerinin analizi R kullanarak gerçekleştirilecektir.
Kurs İçin Gerekli Önbilgiler
- İstatistiksel kavramların temel bilgisi istenir
Hedef Kitle
- Data bilimcileri
- Makine öğrenimi mühendisleri
- Yapay zeka ile ilgilenen yazılım geliştiricileri
- Veri modellemesiyle çalışan araştırmacılar
- İş veya sanayide makine öğrenimini uygulamak isteyen profesyoneller
21 Saat
Danışanlarımızın Yorumları (6)
Machine Learning, Neural Networks, ve yapay zeka konularında pratik örneklerle bir genel bakış yaptık.
Catalin - DB Global Technology SRL
Eğitim - Machine Learning and Deep Learning
Yapay Zeka Çevirisi
AI ile Son Günümüz
Ovidiu - DB Global Technology SRL
Eğitim - Machine Learning and Deep Learning
Yapay Zeka Çevirisi
Seçilen, bize paylaşılan ve açıklanan örnekler
Cristina - DB Global Technology SRL
Eğitim - Machine Learning and Deep Learning
Yapay Zeka Çevirisi
I really enjoyed the coverage and depth of topics.
Anirban Basu
Eğitim - Machine Learning and Deep Learning
Yapay Zeka Çevirisi
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.
Jean-Paul van Tillo
Eğitim - Machine Learning and Deep Learning
Yapay Zeka Çevirisi
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Eğitim - Machine Learning and Deep Learning
Yapay Zeka Çevirisi
