MACHINE LEARNING WITH PYTHON EĞİTİMİ
Veri bilimi yolculuğunuzda analitik düşünme becerinizi güçlendirerek, Python ile veri işleme ve görselleştirme konusunda uzmanlığınızı derinleştirin! Bu machine learning eğitimi ile istatistiksel yöntemleri, makine öğrenimi algoritmalarıyla birleştirerek, sınıflandırma, regresyon ve tahminleme süreçlerinde güçlü modeller geliştirebileceksiniz. NumPy, Pandas, Scikit-learn, TensorFlow ve PyTorch kütüphaneleriyle çalışarak, doğal dil işleme, derin öğrenme ve model optimizasyonu gibi ileri konularda yetkinliğinizi artırabileceksiniz. Eğitim sonunda, karmaşık veri problemlerini çözme becerinizi uygulamalı projelerle pekiştirerek, veri odaklı stratejiler geliştirebilecek ve uçtan uca proje yönetimini gerçekleştirebileceksiniz.
Caner Şekerci
Yazılım Uzmanı
Ex-Microsoft
KURS HAKKINDA
- Tarih:
30 Ekim - 23 Aralık
- Süre:
9 hafta
Kurs boyunca gerçek veri setleri üzerinde çalışarak, veri işleme ve görselleştirme becerinizi geliştirecek, hem denetimli hem de denetimsiz öğrenme yöntemlerini uygulamaya taşıyacaksınız. Model performansını değerlendirme, optimizasyon yöntemleri ve hata metrikleri üzerinde derinleşerek, daha güvenilir sonuçlar üretebileceksiniz. Machine Learning Python Sertifika Programı sonucunda, kapsamlı bir öğrenme deneyimi ve sektörde geçerli uygulama yetkinlikleri kazanacaksınız.
Bu eğitimden daha iyi verim almanız için temel Python, Excel, Google Sheets ve SQL bilgisine sahip olmanız gerekmektedir.
Kurs boyunca kullanacağınız araçlar:
Aşağıdaki kişilere kursu öneririz:
KURSTA AŞAĞIDAKI KONULARI ANALIZ EDECEĞIZ:
-
01
MAKİNE ÖĞRENMESİ KAVRAMLARI VE ALGORİTMA ANALİZİ
Makine öğrenmesinin yapı taşlarını keşfedecek, sınıflandırma ve regresyon gibi algoritmaların matematiksel işleyişini anlayarak güvenle uygulayabileceksiniz. Veri yapılarının nasıl işlendiğini pratikte deneyimleyecek, iş dünyasındaki karmaşık problemlere etkili çözümler geliştirme becerisi kazanacaksınız.
-
02
VERİ ÖN İŞLEME, MODEL GELİŞTİRME VE DEĞERLENDİRME ARAÇLARI
Eksik ve aykırı verileri tespit etme, veri setlerini birleştirme, ölçeklendirme gibi veri hazırlama tekniklerini öğrenerek, Python ve popüler kütüphanelerle (Pandas, NumPy, Scikit-learn) model geliştirmeyi uygulamalı şekilde deneyimleyeceksiniz. Model doğruluğu ve performansını değerlendirme yöntemlerini kavrayacak, çapraz doğrulama ve metriklerle modelleri optimize edebileceksiniz.
-
03
GERÇEK DÜNYA PROJELERİ VE KARİYER HAZIRLIĞI
Farklı sektörlere ait gerçek veri setleri üzerinde makine öğrenmesi projeleri geliştirerek güçlü bir portföy oluşturacaksınız. GitHub’da proje yayınlama, Jupyter Notebook kullanımı ve Kaggle platformuyla çalışma becerileri kazanacaksınız. Ayrıca, makine öğrenmesi mülakatlarına hazırlanma, CV’de proje sunumu ve sektörde öne çıkma stratejilerini detaylıca öğreneceksiniz.
Eğitmen:
Caner Şekerci
Yazılım Uzmanı - Ex-Microsoft
-
7 yılı aşkın süredir makine öğrenmesi ve derin öğrenme alanlarında yapay zeka çözümleri sunmaktadır.
-
Microsoft’ta 8 ayrı ülkede yapay zeka projeleri geliştirmiş ve yürütmüştür.
-
Kendi girişim projesi olan, epilepsi hastalarının nöbet oluşumunu yapay zeka ile algılayan bant projesi İTÜ ve Stanford Üniversitesi tarafından desteklenmektedir.
-
Kurucusu olduğu CNR AI HUB Eğitim ve Proje Danışmanlık şirketiyle yurt içinde ve yurt dışında eğitimler vermektedir.
-
Eğitim alanında kariyer yaparak yüzlerce kişiye eğitmenlik ve mentörlük yapmış, sektöre kazandırmıştır.
MÜFREDAT
-
01 Ders
Makine Öğrenmesi Dünyası
- Makine Öğrenmesi nedir?
- Kursun yapısı, formatı ve amaçları
- Makine öğrenimi yöntemlerinin uygulama kapsamı
- Makine öğrenimi araçlarına genel bakış: Teknoloji, yazılım ve donanım (Pandas, NumPy, Scikit-learn, Matplotlib, Seaborn, TensorFlow, PyTorch)
- Makine öğrenimi türlerine genel bakış
- AI/ML/DL arasındaki farklar ve ilişkiler
- Makine öğrenimi teknolojilerinin günlük yaşamda kullanımına ilişkin örnekler: Finans, Sağlık, Pazarlama, Üretim
- Python ek kaynak paylaşımı: Jupyter Notebook, Kaggle, Github
-
02 Ders
Veri Yapıları ve Temel İşlemler
- Veri serilerinin oluşturulması ve temel özelliklerinin incelenmesi
- Series üzerinde veri manipülasyonu, filtreleme ve dönüşümler gibi işlemler
- Veri yapılarının oluşturulması ve DataFrame'in temel özellikleri
- DataFrame üzerinde veri işlemleri, sütun ve satır ekleme, çıkarma ve değiştirme işlemleri
- NumPy dizileri (arrays) ile temel veri işlemleri
- Pandas'ta veri birleştirme metotları: merge, concat, join kullanımı ve farkları
- Farklı veri kaynaklarından gelen tabloların tek bir DataFrame'e entegre edilmesi
- Seçme indeksleme işlemleri: DataFrame içindeki verilere erişim, sütun ve satır seçimi, dilimleme ve filtreleme yöntemleri
-
03 Ders
Makine Öğrenmesi İçin Verinin Hazırlanması ve İşlenmesi
- Verinin merkezi eğilimi (ortalama, medyan, mod), verinin dağılımı (standart sapma, varyans, çeyrekler arası mesafe)
- Veri kümesindeki eksik veya aykırı değerlerin ele alınması
- Histogram, kutu grafiği (box plot), çizgi grafiği gibi araçlarla verinin görselleştirilmesi
- Veri ön işleme adımları
- Veri kümesinin eğitim, doğrulama ve test kümelerine bölünmesi
- Modelin gereksinim duyabileceği özelliklerin çıkarılması
- Eksik veri işleme teknikleri: SimpleImputer, KNNImputer
- Kategorik veri kodlama yöntemleri: One-Hot Encoding, Label Encoding
- Veri keşfi için görselleştirme: Seaborn ile korelasyon matrisi (heatmap) ve pairplot
-
04 Ders
Metodlar
- Makine öğrenmesinde sıklıkla kullanılan önemli yöntemlerin açıklamaları ve kullanım alanları
- Reindex, Drop, Mean (axis, columns) metodları
- Veri kümesinde temel aritmetik işlemlerin yapılması ve etkileri
- Groupby metodu ile veri gruplama ve toplu istatistiksel işlemler
- Apply ve map fonksiyonları ile fonksiyonel veri dönüşümleri
- Lambda fonksiyonları ile hızlı, tek satırlık veri işlemleri
- Vektörleştirilmiş işlemler kullanarak veri manipülasyonunu hızlandırma
- Performans optimizasyonu için bellek kullanımı ve işlem süresi iyileştirme teknikleri
-
05 Ders
Sıralama
- Sıralama algoritmalarının çalışma prensipleri ve temel kavramları
- Veri özetleme ve veri setlerinin özetlenmesi
- Veri setlerinin ön işleme adımlarının değerlendirilmesi
- Veri örnekleme teknikleri
- Pandas describe(), info(), value_counts() fonksiyonları ile hızlı veri özetleme
- Eksik veri tespiti için isnull() ve notnull() fonksiyonları
- Eksik verilerin tespiti ve doldurulması yöntemleri
-
06 Ders
İleri Seviye Veri İşlemleri
- Veri setlerindeki eksik veya hatalı verilerin tespiti ve düzeltilmesi
- Veri setlerinin farklı formatlara veya yapıya dönüştürülmesi
- Farklı kaynaklardan elde edilen veri setlerinin birleştirilmesi
- Pandas merge metodu ile veri birleştirme türleri: inner, outer, left, right join
- Excel, CSV ve SQL veri kaynaklarından veri çekme ve Pandas DataFrame'e aktarma
- SQL sorgularıyla veri filtreleme ve Pandas ile analiz yapma
-
07 Ders
Workshop - Temel ve İleri Seviye Veri İşlemleri
- Makine öğrenmesi için veri hazırlama sürecinde uygulanacak adımlar
- Algoritma seçerken belirleyici unsurlar
- Algoritma oluştururken karşılaşılan sorunların çözümü
-
08 Ders
Python ile Gözetimsiz Öğrenme - 1
- Gözetimsiz öğrenme teknikleri ve veri etiketlerine dayanmayan analiz yöntemleri
- K-Means kümeleme algoritması
- Tekrarlı K-Fold çapraz doğrulama
- K-Means algoritmasının kullanım alanları: müşteri segmentasyonu, anomali tespiti, görüntü sıkıştırma
- Scikit-learn StandardScaler ve MinMaxScaler ile veri ölçeklendirme teknikleri
-
09 Ders
Python ile Gözetimsiz Öğrenme - 2
- Ortalama kaydırmalı kümeleme
- Yoğunluk tabanlı kümeleme algoritması DBSCAN
- DBSCAN ve Mean Shift algoritmalarının gerçek dünya kullanım senaryoları
- Farklı veri kümelerinde ölçeklendirme öncesi ve sonrası karşılaştırmalar
- Bulanık kümeleme
-
10 Ders
Python ile Gözetimsiz Öğrenme - 3
- Spektral kümeleme ve graf teorisi temelli veri temsil
- Optik kümeleme ve yoğunluk tabanlı yöntemler
- T-SNE ve UMAP algoritmaları ile yüksek boyutlu verilerin 2D/3D görselleştirilmesi
- Scikit-learn kütüphanesi ile kümeleme uygulamaları
-
11 Ders
Python ile Gözetimli Öğrenme - 1
- Gözetimli öğrenme nedir
- Doğrusal regresyon
- Ridge ve Lasso regresyon teknikleri: aşırı uyumu önlemek için regularizasyon
- Ridge ve Lasso arasındaki farklar ve kullanım senaryoları
- Lineer regresyonda normal denklem
-
12 Ders
Python ile Gözetimli Öğrenme - 2
- TensorFlow kullanarak lineer regresyon
- PyTorch kullanarak lineer regresyon
- Gerçek dünya veri setleri ile uygulamalar: Housing fiyat tahmini, Titanic yolcu hayatta kalma tahmini, Fraud detection (sahtecilik tespiti)
-
13 Ders
Python ile Gözetimli Öğrenme - 3
- Karar ağaçları algoritması
- Ensemble yöntemleri: Random Forest ve Gradient Boosting
- Karar ağaçlarının tekil ve ensemble yöntemlerle performans karşılaştırması
- Yazılım mühendisliğinde karar ağaçları algoritmasının önemi
- Karar ağaçları algoritması uygulaması
-
14 Ders
Boyutsal Makine Öğrenimi
- Boyutsal azaltmaya giriş
- PCA (Temel Bileşen Analizi)
- LDA (Lineer Diskriminant Analizi) genel bakış
- T-SNE (t-Distributed Stochastic Neighbor Embedding) yöntemi ile yüksek boyutlu verilerin iki veya üç boyutta görselleştirilmesi
- UMAP (Uniform Manifold Approximation and Projection) ile veri kümelerinin düşük boyutlu temsillerinin oluşturulması ve görselleştirme uygulamaları
-
15 Ders
Boyutsal Makine Öğrenmesi Uygulama
- Genelleştirilmiş Diskriminant Analizi (GDA)
- Bağımsız Bileşen Analizi (BBA)
- Özellik Seçimi İçin Parametreler
- Feature Importance yöntemi ile modeldeki en etkili değişkenlerin belirlenmesi
- Recursive Feature Elimination (RFE) yöntemi ile gereksiz değişkenlerin çıkarılarak model performansının artırılması
-
16 Ders
Doğal Dil İşleme
- Python ile metin ön işleme
- Python NLTK modülü
- NLTK ile metni simgeleştirme uygulaması
- spaCy kütüphanesinin tanıtımı ve NLTK ile karşılaştırılması
- Metin temsilleri için Word2Vec ve TF-IDF yöntemlerinin temel prensipleri ve kullanım örnekleri
-
18 Ders
Geri Bildirim Oturumu: Makine Öğrenmesinde Hangi Noktadayız?
- Katılımcıların eğitim süresince edindikleri bilgi ve becerilerin değerlendirilmesi
- Kendi projelerini sunarak akranlardan ve eğitmenden geri bildirim alınması
- Birebir mentorluk desteği ile gelişim planlarının oluşturulması
- Ödev ve projelerin sektörel uygulama potansiyelinin tartışılması
- Makine öğrenmesi alanında ileriye dönük sertifikasyon ve kariyer adımları hakkında öneriler
Bilgi İstiyorum
Kursa kayıt olmak için formu doldurun, eğitim danışmanımız en kısa sürede sizlere ulaşarak kurs içeriği ve ücretlendirme hakkında detaylı bilgi verecektir.