Machine Learning & Advanced Data Analytics Eğitimi
Machine Learning & Advanced Data Analytics Eğitimi
Eğitim Hakkında
Eğitim R, Phyton, Knime ve IBM Watson programlama ortamlarını kullanarak Makine öğrenmesi konusunda gerçek iş uygulamalarına yönelik katılımcıların becerisini kazandırmayı hedeflemektedir. Eğitim içerisinde pek çok konu belli bir derinlikte ele alınmaktadır. Bu eğitim aynı zamanda bir uygulama çalışması olduğundan iş dünyasında karşılaşan süreçlerle ilgili örnekler de verilmektedir. Katılımcılar faktörler, listeler ve veri çerçeveleri de dahil olmak üzere bu yaygın olarak kullanılan açık kaynak dilin temellerine hakim olacaklardır. Bu eğitimde edinilen bilgiler sayesinde katılımcılar ilk kendi veri analizlerini yapmaya hazır olacaklar.
Ön Koşul
Bu Eğitimin Herhangi Bir Ön Koşulu Yoktur.
Eğitim İçeriği
- Faktör Analizi
- Korelasyon ve Regresyon Analizleri
- Hipotez Testleri (Anova, T Testi, F Testi vs)
- Regresyon
- Doğrusal Regresyon
- Sınıflandırma
- Support Vector Machine
- Naive Bayes
- Yapay Sinir Ağları (Artificial Neural Network)
- Derin Öğrenme (Deep Learning)
- Karar Ağaçları (Decision Trees)
- Lojistik Regresyon
- Kümeleme Analizi
- Uzaklık Temelli Yöntemler
- Overfitting Problemi
- Underfitting Problemi
- Pekiştirmeli Öğrenme Örnekleri
- Çeşitli Optimizayon Teknikleri
- Temel R Kavramları
- Vektörler
- Matrisler
- Faktörler
- Data Frame
- Listeler
- Ham Datanın Anlaşılması
- Veriyi Düzenleme
- Analiz için Hazırlık
- İkili değişkenleri görselleştirme
- Korelasyon
- Basit doğrusal regresyon
- Katsayıları yorumlama
- Yoğunluk ve Kümülatif Yoğunluk
- Beklenen Değer ve Varyans
- A ve B Olaylarının İhtimali
- Rassal Değişkenlerin Çarpımı
- Bayes Teoremi
- Normal Dağılım
- Poisson Dağılımı
- Çok Değişkenli Olasılık Dağılımları
- Ortalama Vektör ve Varyans-Kovaryans Matrisi
- Çoklu Normal Dağılım
- Çok Değişkenli Verilerin Normalliğini Kontrol Etme
- Temel Bileşen Analizi
- Bileşen Sayısını Seçme
- Poisson Regresyonu
- Lojistik Eegresyon GLM
- GLM görselleştirme
- GLM ile çoklu regresyon
- Sınıflandırma Ağaçları
- Regresyon Ağaçları
- Bagged Trees
- Çarpraz Doğrulama
- Random Forest (Rassal Orman)
- Boosting Metodu
- Trendler
- White Noise
- Random Walk
- Autocorelation-Otokorelasyon
- Autoregressive Modeller
- Hareketli Ortalama (MA-Moving Average)
- ARIMA Modelleri
- ARMA Modelleri
- Saf ve Karışık Sezonsal Modeller
- Zaman Serileri ile Muhtelif Tahminleme Yöntemleri
- Trend ile Üstel Düzeltme Yöntemleri
- Varyans Stabilizasyonu için Dönüşümler
- Durağanlık için Sezonsal Farklılık
- Dinamik Harmonik Regresyon
- Gam
- Sınıflandırma için Lojistik GAM’lar
- Model Tanımlama Yöntemleri
- Simpson Paradoksu
- Lojistik regresyon
- Gözlemler Arası Mesafe
- Kmeans Kümeleme
- Hiyerarşik Kümeleme
Kazanımlar
- Katılımcılara uygulamalı istatistik bilgilerini kazandırmak
- Veriyi analiz edebilmek ve veri üzerinde temel hipotez testlerini gerçekleştirebilmek
- Etiketli ve etiketsiz öğrenme yöntemlerini uygulamalı olarak öğretmek
- Tahminleme algoritmalarının avantajlarını ve problemlerini anlamak ve çözüm yollarını göstermek
- Pekiştirmeli öğrenme tekniklerini ve bu alanın uygulamalarını tanıtmak
- Optimizasyon tekniklerini anlamak ve uygulama alanlarını göstermek
- Katılımcılara R programlama dilinin temellerini ve veri temizleme süreçlerini öğretmek
- Korelasyon ve regresyon analizlerini yapabilme yetkinliği kazandırmak
- Dağılımlar ve Genelleştirilmiş Doğrusal Modeller (GLM) hakkında kapsamlı bilgi vermek
- Ağaç modellerini ve bu modellerin çeşitli uygulamalarını öğretmek
- Zaman serileri analizinin temellerini ve çeşitli modelleme tekniklerini tanıtmak
- GAM modelleri ve lojistik regresyon uygulamalarını öğretmek
- Hiyerarşik kümeleme ve K-means kümeleme yöntemleri hakkında bilgi vermek ve uygulamalı örnekler sağlamak
Hedef Kitle
- Veri Bilimi ve İleri Veri Analitiği ile İlgilenen Tüm Kişiler
- Kariyer Değişikliği Düşünen Profesyoneller
- Veri Bilimi ve Analitik Uygulamaları Üzerine Yoğunlaşmak İsteyen Profesyoneller
- Ar-Ge Çalışanları
- İş Analistleri
- İş Zekası Uzmanları
- Veri Bilimcileri
- Veri Analistleri
- Veri Mühendisleri
- İleri Düzeyde Kodlama Bilgisine Sahip Analistler
- Kıdemli Yazılım Mühendisleri
- Proje Yöneticileri ve Takım Liderleri
- Akademisyenler ve Eğitmenler
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.
SEKTÖRÜN GÜVENDİĞİ ÇÖZÜM ORTAĞI
BT Akademi'yi tercih eden 4.000'den fazla kurum yanılmıyor.
