Machine Learning with Python Eğitimi

Eğitim Hakkında

Bu eğitim programı, katılımcılara makine öğrenimi ve Python kullanarak veri analizi konusunda kapsamlı bir bilgi sunmayı amaçlamaktadır. Giriş bölümünde makine öğreniminin temel kavramları, uygulama alanları ve neden önemli olduğu ele alınmaktadır. Program kapsamında, veri hazırlama, regresyon, sınıflandırma, kümeleme ve boyut indirgeme gibi konulara dair teorik bilgiler ve pratik uygulamalar yer alıyor. Ayrıca, takviye öğrenimi, doğal dil işleme ve derin öğrenme gibi ileri düzey konular da kapsamlı bir şekilde incelenmektedir. Bu eğitim, katılımcıların gerçek dünya problemlerine makine öğrenimi çözümleri geliştirmelerini sağlamayı hedeflemektedir.

Ön Koşul

Temel düzeyde Python ve istatistiksel kavramlara hakim olunması gerekmektedir.

Eğitim İçeriği

Test Introduction to Machine Learning

What is ML?
Applications of ML
Why ML?
Uses of ML
Machine Learning Methods
Machine Learning Algorithms (Regression, Classification, Clustering, Association)
A Brief Introduction Python Libraries

Creating a Machine Learning Model

Types of ML Algorithms
Labelled Dataset
Training and Testing Data
Importing the Libraries and Dataset
Demo: Creating a Machine Model

Data Preparation and Exploration

What is Data and Information?
Analyzing Data to Fetch the Information
Entropy, Information Gain
Data Exploration and Preparation
Univariate, Bivariate, and Multivariate Analysis
Correlation
Chi-Square, Z-test, T-test, ANOVA
Categorical Data
Feature Scaling
Dimensionality Reduction
Outliers

Regression

What is Regression?
Applications and Types of Regression
Fitting the Regression Line
Simple Linear Regression
Simple Linear Regression in Python
Polynomial Regression
Polynomial Regression in Python
Gradiant Descent
Cost Function
Regularization
Demo: Perform Regression on a Real World Dataset
Ridge and Lasso Regression

Classification

How is Classification Used?
Applications of Classification
Logistic Regression, Sigmoid Function
Decision Tree
K-Nearest Neighbors (K-NN)
SVM
Naive Bayes
Understand Limitations of Linear Classifer and Evaluate Abilities of Non-Linear Classifiers Using a Data Set

Evaluation of Classification Models

Confusion Matrix
Precision, Recall
F1-Score
RoC, AuC
N-fold Cross Validation
Measuring Classifier Performance
Overfitting
Ensemble Learning
Bagging and Boosting

Unsupervised Learning – Clustering

Application of Unsupervised Learning, Examples, and Applications
Clustering
Hierarchical Clustering in Python, Agglomerative and Divisive Techniques
Measuring the Distanvce between two Clusters
K-means Algorithm
Limitations of K-means Clustering
SSE and Distortion Measurements
Demo: Agglomerative Hierarchical Clustering

Dimensionality Reduction

What is Dimensionality Reduction?
Applications of Dimensionality Reduction
Feature Selection
Feature Extraction
Dimensionality Reduction via Principal Component Analysis
Eigenvalue and Eigenvectors
Hands on PCA on MNSIT Data

Reinforcement Learning

What is Reinforcement Learning
Applications of Reinforcement Learning
An Example Use Case
Components of RL
Approachs to RL
RL Algorithms
Deep Reinforcement Learning

Introduction to Natural Language Processing (NLP)

What is NLP and Why is it Important?
Applications and Components of NLP
NLP Techniques

Introduction to Deep Learning

Why Deep Learning?
Neural Networks
Applications of Neural Networks
Biological Neuron vs Artificial Neuron
Artificial Neural Networks, Layers

Kazanımlar

Katılımcılara makine öğreniminin temel prensiplerini öğretmek

Python kullanarak veri analizi ve makine öğrenimi modelleri geliştirmeyi göstermek

Veri hazırlama ve keşfetme süreçlerini anlamalarını sağlamak

Farklı makine öğrenimi algoritmalarını uygulamalı olarak öğretmek

Regresyon, sınıflandırma, kümeleme ve boyut indirgeme gibi teknikleri kavratmak

Takviyeli öğrenim, doğal dil işleme ve derin öğrenme konularına giriş yapmak

Gerçek dünya problemlerine yönelik makine öğrenimi çözümleri geliştirme becerisi kazandırmak

Hedef Kitle

İş Analistleri ve Karar Vericiler

Mühendisler ve Yazılım Geliştiriciler

Büyük Veri Uzmanları

Veri Bilimciler ve Veri Analistleri

Proje Yöneticileri ve Teknik Liderler

Sertifika

Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.