Derin Öğrenme ile Çok Değişkenli Zaman Serisi Tahminlemesi Eğitimi
Derin Öğrenme ile Çok Değişkenli Zaman Serisi Tahminlemesi Eğitimi
Eğitim Hakkında
Bu ileri seviye uzmanlık programı, çok değişkenli zaman serilerinin karmaşık ve dinamik etkileşimlerini modelleyerek geleceğe yönelik yüksek doğrulukta tahminler üretmeye odaklanır. Katılımcılar, klasik istatistiksel yöntemlerin ötesine geçerek LSTM ve GRU gibi ardışık modellerden Transformer tabanlı mimarilere ve N-BEATS gibi en yeni yaklaşımlara kadar modern derin öğrenme tekniklerini kullanmayı öğrenir. Program sonunda, yalnızca tek bir değişkeni değil, bir sistemin tüm bileşenlerini (örneğin satışlar, lojistik maliyetler ve stok seviyeleri) öngörebilen ve bu öngörüleri stratejik iş kararlarına dönüştürebilen uçtan uca çözümler geliştirme yetkinliği kazanırlar. Çok Değişkenli Zaman Serisi Tahminlemesi için Derin Öğrenme, satışlar, pazarlama harcamaları, rakip fiyatları veya hava durumu gibi farklı verileri birlikte değerlendirerek gizli ilişkileri ortaya çıkarır ve gelecekteki değerleri yüksek isabetle tahmin etmeyi mümkün kılar.
Ön Koşul
Bu eğitimin herhangi bir ön koşulu yoktur.
Eğitim İçeriği
- Zaman Serisi Analizinin Temel Kavramları
- Durağanlık (Stationarity), Otorkorelasyon (ACF) ve Kısmi Otorkorelasyon (PACF) kavramlarının çok değişkenli sistemlerdeki yorumu.
- Granger Nedensellik Testi: Değişkenler arasında istatistiksel bir "etki" olup olmadığını anlama.
- Problem Formülasyonu ve Stratejileri
- Tek Adımlı (One-Step) vs. Çok Adımlı (Multi-Step) Tahminleme.
- Tek Çıktılı (Single-Output) vs. Çok Çıktılı (Multi-Output) Tahminleme.
- Çok Adımlı Tahminleme Stratejileri: Özyinelemeli (Recursive), Doğrudan (Direct) ve Çoklu Çıktı (MIMO) yaklaşımlarının avantaj ve dezavantajları.
- Veri Ön İşleme ve Normalizasyon
- Zaman serilerinde ölçeklendirmenin (Min-Max, Standard Scaling) önemi ve potansiyel riskleri (ileri bakış yanlılığı - look-ahead bias).
- Eksik veri tamamlama (imputation) stratejileri: İleri/geri doldurma, enterpolasyon ve model tabanlı yaklaşımlar.
- Pencereleme (Windowing) Teknikleri
- Ardışık veriyi, derin öğrenme modellerinin anlayacağı (girdi, çıktı) çiftlerine dönüştürme: Kaydırmalı pencere (sliding window) yaklaşımı.
- Girdi (lookback) ve çıktı (horizon) pencerelerinin boyutlarının model performansı üzerindeki etkisi.
- Özellik Mühendisliği (Feature Engineering)
- Zaman Tabanlı Özellikler: Haftanın günü, ay, tatil günleri gibi döngüsel özelliklerin sinüs/kosinüs dönüşümleri ile kodlanması.
- Gecikme (Lag) Özellikleri: Değişkenlerin geçmiş değerlerinin girdi olarak kullanılması.
- İstatistiksel Özellikler: Kaydırmalı pencere içindeki ortalama, standart sapma gibi özelliklerin üretilmesi.
- Tekrarlayan Sinir Ağları (RNN) ve Limitasyonları
- RNN'lerin ardışık veriyi işleme mantığı ve kaybolan/patlayan gradyan (vanishing/exploding gradients) problemi.
- LSTM ve GRU Ağları
- Uzun vadeli bağımlılıkları öğrenmeyi sağlayan "kapı" (gate) mekanizmalarının (unutma, girdi, çıktı kapıları) detaylı incelenmesi.
- Çok değişkenli zaman serileri için LSTM/GRU ağlarının Python/PyTorch ile kodlanması.
- Sekans-Sekans (Seq2Seq) Mimarisi ile Çok Adımlı Tahminleme
- Encoder-Decoder (Kodlayıcı-Kod Çözücü) Mimarisi: Geçmiş zaman serisini sabit boyutlu bir "düşünce vektörüne" sıkıştırma ve bu vektörden gelecekteki tüm adımları üretme.
- Dikkat Mekanizması (Attention) ile Seq2Seq modelinin zenginleştirilmesi: Modelin tahmin yaparken girdinin hangi kısımlarına daha fazla "odaklanması" gerektiğini öğrenmesi.
- Zamansal Evrişimli Ağlar (Temporal Convolutional Networks - TCN)
- 1D-CNN katmanları ile zaman serilerindeki yerel örüntüleri yakalama.
- RNN'lere göre paralel eğitilebilme avantajı ve nedensel evrişim (causal convolution) ile gelecekteki veriyi görmeme garantisi.
- Zaman Serileri için Transformer Mimarisi
- Kendi Kendine Dikkat (Self-Attention) Mekanizması: Bir zaman serisindeki her bir noktanın, diğer tüm noktalarla olan ilişkisini nasıl öğrendiğinin derinlemesine incelenmesi.
- Konumsal Kodlama (Positional Encoding): Modelin, verinin zamansal sırasını anlamasını sağlama.
- Vaka İncelemesi: Informer ve Autoformer gibi zaman serisi odaklı Transformer modellerinin getirdiği yenilikler (seyrek dikkat, otokorelasyon mekanizmaları).
- N-BEATS ve N-HiTS Mimarileri
- Yorumlanabilir bir yapıya sahip, sadece yoğun (dense) katmanlardan oluşan ve birçok benchmark'ta Transformer'ları geride bırakan modern bir yaklaşım.
- Temporal Fusion Transformers (TFT)
- Farklı tiplerdeki (statik, bilinen gelecekteki, gözlemlenen geçmiş) girdileri bir araya getiren, hem tahmin hem de yorumlanabilirlik sunan hibrit bir mimari.
- Uzamsal-Zamansal (Spatio-Temporal) Modelleme: Graf Sinir Ağları (GNN)
- Birbirine bağlı sensör ağları (trafik, hava kalitesi) veya coğrafi bölgeler arasındaki etkileşimleri modelleyerek tahmin yapma.
- Problem Tanımı ve Veri Keşfi
- Yüzlerce farklı ürünün satış verileri, promosyon bilgileri, stok seviyeleri ve dışsal faktörleri (tatil günleri, ekonomik göstergeler) içeren bir veri setinin analizi.
- Veri Hazırlık ve Özellik Mühendisliği Pipeline'ı Oluşturma
- Tüm ürünler için ölçeklendirme, pencereleme ve özellik üretme süreçlerini otomatize eden bir pipeline kurma.
- Model Karşılaştırması ve Eğitimi
- Bir temel (baseline) model (örn: basit bir istatistiksel model) oluşturma.
- Bir LSTM (Seq2Seq) ve bir Transformer tabanlı modelin aynı veri üzerinde eğitilmesi ve performanslarının karşılaştırılması.
- Sonuçların Yorumlanması, Görselleştirilmesi ve İş Kararlarına Etkisi
- En başarılı modelin tahminlerinin görselleştirilmesi.
- Modelin, hangi promosyonun hangi ürün üzerindeki etkisini daha güçlü öngördüğünün analizi.
- Tahmin sonuçlarının envanter yönetimi ve lojistik planlama kararlarını nasıl etkileyeceğine dair bir rapor hazırlanması.
- Zaman Serileri için Geriye Dönük Test (Backtesting) Stratejileri
- Kaydırmalı Pencere (Sliding Window) ve Genişleyen Pencere (Expanding Window) doğrulama yöntemleri.
- Zaman Serisi Modellerini Yorumlama
- SHAP gibi açıklanabilirlik kütüphanelerinin zaman serisi modellerine uygulanması: Hangi geçmiş değişkenin veya özelliğin mevcut tahmini en çok etkilediğini anlama.
- Zaman Serisi Modelleri için MLOps
- Modellerin ne sıklıkla yeniden eğitilmesi gerektiği (retraining strategy).
- Üretimdeki bir modelin performansını izleme ve konsept sapması (concept drift) tespiti.
- Proje Sunumları ve Teknik Tartışma
- "Bedava Öğle Yemeği Yoktur": Hangi Mimarinin Ne Zaman Kullanılacağı Üzerine Tartışma
- Gelecek Trendleri: Olasılıksal Tahminleme (Probabilistic Forecasting) ile belirsizliği modelleme, zaman serileri için temel modeller (Foundation Models for Time Series).
Kazanımlar
- Tek tek değişkenleri izole etmek yerine, sistemin tüm bileşenlerinin birbirini nasıl etkilediğini modelleyerek daha gerçekçi ve bütünsel bir bakış açısı kazanabileceksiniz.
- İlgili dışsal değişkenleri (covariates) modele dahil ederek, tek değişkenli yöntemlerin ulaşamayacağı bir tahmin doğruluğu ve güvenilirliği sağlayabileceksiniz.
- Derin öğrenme modelleri sayesinde karmaşık ve non-lineer ilişkileri veriden otomatik olarak öğrenerek kapsamlı özellik mühendisliği ihtiyacını azaltabileceksiniz.
- Sekans-Sekans gibi gelişmiş mimarilerle sadece bir sonraki adımı değil, gelecekteki onlarca veya yüzlerce adımı kapsayan uzun vadeli tahminler üretebileceksiniz.
- Mevsimsellik, trend, ani sıçramalar ve değişkenler arası gecikmeli etkileşimler gibi karmaşık dinamikleri aynı anda modelleyebileceksiniz.
Hedef Kitle
- Varlık fiyatlarını, volatiliteyi ve piyasa riskini birden çok faktöre bağlı olarak modelleyen Kantitatif Finans Analistleri (Quants).
- Satış, talep ve envanter seviyelerini yüzlerce ürün ve mağaza için aynı anda tahminlemesi gereken Talep Planlama ve Tedarik Zinciri Analistleri.
- Bir bölgenin enerji tüketimini veya yenilenebilir enerji üretimini çok sayıda değişkene (hava durumu, endüstriyel aktivite) bağlı olarak öngören Enerji Sektörü Analistleri.
- Temel zaman serisi analizinden derin öğrenme yaklaşımlarına geçmek isteyen Veri Bilimciler ve Makine Öğrenmesi Mühendisleri.
- Endüstriyel ekipmanlardan veya akıllı cihazlardan gelen çoklu sensör akışını analiz ederek sistem sağlığını modelleyen Endüstriyel IoT (IIoT) Uzmanları.
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.
İlgili Kurslar
SEKTÖRÜN GÜVENDİĞİ ÇÖZÜM ORTAĞI
BT Akademi'yi tercih eden 4.000'den fazla kurum yanılmıyor.
