Ön Koşul
Bu eğitimin herhangi bir ön koşulu bulunmamaktadır.
Eğitim Hakkında
Eğitimimiz, ham verinin bir iş değerine dönüşme yolculuğunu uçtan uca ele alır. Katılımcılar; regresyon, sınıflandırma ve kümeleme gibi temel disiplinlerin yanı sıra XGBoost gibi ileri seviye tekniklerde uzmanlaşırlar. Eğitimin asıl fark yaratan kısmı ise modeli eğit ve bırak yaklaşımı yerine; model deployment, veri drifti analizi, mikroservis entegrasyonu ve kurumsal AI yönetişimi (governance) gibi modern yazılım dünyasının gerekliliklerini odağına almasıdır. Eğitim, gerçek dünya vakaları (Churn, Satış Tahmini vb.) üzerinden ilerleyerek teorik bilgiyi ticari başarıya dönüştürmeyi öğretir.
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.
Eğitim İçeriği
- Makine Öğreniminin Kurumsal Dönüşümdeki Rolü
- Veri Odaklı Karar Alma Mekanizmaları
- Tahmine Dayalı Analitik ve İş KPI’ları
- ML Proje Yaşam Döngüsü (Problem → Model → Production)
- Başarı Ölçütleri ve ROI Analizi
- Kurumsal Veri Kaynaklarının Analizi
- Veri Temizleme ve Eksik Veri Yönetimi
- Aykırı Değer Analizi
- Özellik Mühendisliği Stratejileri
- Feature Scaling ve Dönüşüm Teknikleri
- Veri Pipeline Tasarımı
- Regresyon Modelleri ve Tahminleme
- Lineer Regresyon
- Ridge & Lasso
- Performans Metriği (MAE, RMSE, R²)
- Sınıflandırma Modelleri
- Lojistik Regresyon
- K-Nearest Neighbors
- Decision Trees
- Random Forest
- Model Performans Değerlendirme
- Confusion Matrix
- Precision, Recall, F1
- ROC-AUC Analizi
- Class Imbalance Yönetimi
- Bagging ve Boosting Yaklaşımları
- Gradient Boosting, XGBoost Mantığı
- Model Seçimi ve Karşılaştırma
- Hiperparametre Optimizasyonu
- Grid Search
- Random Search
- Cross Validation
- Overfitting ve Underfitting Yönetimi
- Kümeleme Stratejileri
- K-Means
- Hierarchical Clustering
- Segment Analizi ve İş Yorumlama
- Boyut Azaltma (PCA Mantığı)
- Anomali Tespiti
- Model Kaydetme ve Versiyonlama
- REST API ile Model Servisleme
- ML Pipeline Oluşturma
- Batch vs Real-Time Prediction
- Microservice Mimarisinde ML Entegrasyonu
- Model Latency Analizi
- Yük Testi ve Performans Ölçümü
- Ölçeklenebilir ML Mimarisi
- Cloud Ortamında ML Çözümleri
- Hesaplama Kaynaklarının Optimizasyonu
- Model Güvenliği ve Veri Sızıntısı Riskleri
- PII ve Hassas Veri Koruma
- Model Manipülasyonu ve Adversarial Riskler
- Erişim Kontrolü ve Audit Logging
- Kurumsal AI Governance Çerçevesi
- Model Drift ve Veri Drift Analizi
- Performans İzleme ve Alarm Mekanizmaları
- Retraining Stratejileri
- A/B Testing ve Model Karşılaştırma
- Human-in-the-Loop Süreçleri
- Satış Tahminleme Modeli
- Müşteri Terk (Churn) Tahmin Modeli
- Müşteri Segmentasyonu
- Anomali Tespiti (Operasyonel Risk Analizi)
Neden Bu Eğitimi Almalısınız ?
Eğitim Hedefleri
- Veriden Değer Üretme: İş problemlerini makine öğrenimi problemlerine dönüştürebilmek ve projelerin yatırım getirisini (ROI) analiz edebilmek.
- İleri Seviye Özellik Mühendisliği: Karmaşık veri setlerinden anlamlı özellikler türetmek, veri pipeline tasarımları yaparak model başarısını artırmak.
- Gelişmiş Modelleme Yetkinliği: En iyi performans gösteren modelleri (Ensemble, Boosting) seçebilmek ve hiperparametre optimizasyonu ile modelleri en yüksek verime ulaştırmak.
- Canlı Ortam (Production) Uzmanlığı: Hazırlanan modelleri REST API ve mikroservis mimarileriyle servis edebilmek, batch ve real-time tahminleme yapılarını kurgulamak.
- Sürdürülebilir ML Sistemleri: Model ve veri driftini (sapma) izlemek, otomatik yeniden eğitim (retraining) stratejileri geliştirmek ve sistemin performansını sürekli ölçmek.
- Güvenlik ve Uyumluluk: KVKK/GDPR gibi veri gizliliği kurallarına uygun, siber saldırılara (adversarial risks) karşı dirençli ML mimarileri tasarlamak.
Kimler İçindir?
- Junior ML Mühendisleri
- İş Analistleri ve Strateji Uzmanları
- Veri Analistleri ve Veri Bilimciler
- Yazılım ve Veri Mühendisleri
- BT Yöneticileri ve CTO'lar
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: