Makine Öğrenmesi (Bireysel-Kurumsal)

✅ Yeni bir kariyere atılmak ve makine öğrenmesi alanında gelişmek mi istiyorsun?

✅ Makine öğrenmesinde bir temelin var ama bu konuda daha da gelişmek mi istiyorsun?

✅ Kullandığın araçlar arasına makine öğrenmesini katıp kariyerinde bir adım daha öne mi geçmek istiyorsun?

Eğer bunlardan birine bile evet cevabı verdiysen doğru yerdesiniz!

Kurs Tanıtımı

Teknoloji hızla değişiyor. Yeni bir meslek edinmeye çalışırken de hali hazırdaki mesleğimizi devam ettirirken de artık yeni araçlara ve bakış açılarına ihtiyaç duyuyoruz.

Her yıl tahmin edilemeyen bir hızda büyüyen makine öğrenmesi sektörüne bizimle adım atın.

Makine öğrenmesi gelip geçici bir trend olmaktan çıkıp, işlerimizi ve çağımızı dönüştüren bir teknolojiye dönüşmüş durumda.

Bu kursları tam da bunu düşünerek tasarladık. Çağımızın gerekliliği olan bu teknolojiyi işinize entegre etmeniz veya bu konuda ilerlemek için ihtiyacınız olan teorik ve pratik gereklilikleri uzman eğitmenlerimizin tasarladığı kurslar ile sizlerle buluşturuyoruz.

Yeteneklerinizin arasına makine öğrenmeyi katarak çağı yakalayın!🚀📊

📘 Neler Öğreneceksiniz:

🏗 Makine Öğrenmesi Temelleri: Start: Ezberi eğitimi yıkarak, mantıklarını anlayarak sağlam bir temel edineceğiz.

🐍 Python: Python programlama dilini ve makine öğrenmesindeki özel kullanımlarını göreceğiz.

✍️Uygulamalı Projeler: Öğrendiklerimizi gerçek hayat problemlerine uygulayarak pekiştireceğiz.

Ön koşullar:

Bu kursa katılacak öğrencilerin Python dilinde kodlamaya aşina olmaları, Pandas ve Numpy kütüphaneleri ile ilgili deneyimleri olması beklenir. Bu konuda bilgileri yoksa Python programlama ve veri bilimi için python derslerini almaları önerilir.

Süre:

4 gün (ihtiyaca göre eklenen dersler olursa süre uzayabilir).

Ders İçeriği:

(Buradaki konular bir taslak olması için konuldu, ihtiyacınıza göre tasarlanmış olacak kurs)

Veri Bilimine Giriş

• Nedir bu Makine Öğrenmesi ?

• Regression ve Classification

• Modellerin genellenebilirliğini nasıl test edebilirim - Train/Validation/Test

• Linear modeller ve karar ağaçları ile regresyon örneği

• Bagging

• Ensemble methods - Random errors

• Cross Validation

• Hayır. Cross Validation her zaman iyi bir fikir değil - Validation setinin dikkatli seçilmesi.

• R^2 nedir ve nerelerde kullanılır ?

• Baseline Model mantığı

• Hyperparameter

• Bütün veriyi hyperparameter tuning yaparken kullanma- Subsample Method

Model Driven EDA

• Model sadece tahmin etme aracı değildir - Modeli verimizi analiz etmek için kullanmak

• Standart sapma ile tahmine olan güveni ölçmek

• Farklı özelliklerin bir birine etkisini hesaba katarak model için önemli özellik analizi - Permutation Feature Importance

• Tamam, tahminimiz bu, peki bunu nasıl değiştirebiliriz ? - Farklı senaryoları modelimizi kullanarak simüle etmek- Partial Dependence

• Extrapolation problem

• Extrapolation sorununu nasıl azaltırız ?

• Validation set bölmemizin ne kadar iyi olduğunu nasıl anlayabiliriz ?