Eğitim Hakkında
Eğitimimiz, verilerden öğrenerek tahmin, sınıflandırma, karar verme ve desen tanıma gibi görevleri otomatikleştiren algoritmalar ve modeller bütünüdür. Bu eğitim, makine öğrenmesinin temel prensiplerinden başlayarak, denetimli ve denetimsiz öğrenme, modelleme, değerlendirme, optimizasyon, ileri teknikler ve üretime alma süreçlerini kapsamlı bir şekilde ele alır. Katılımcılar, teorik bilgi ve pratik uygulamalarla, çeşitli sektörlerde gerçek dünya problemlerini çözebilecek güçlü modeller geliştirme yetkinliğine ulaşacaklardır.
Makine Öğrenmesi, istatistiksel yöntemler ve algoritmik yaklaşımlarla verilerden bilgi çıkarımını sağlayan bir yapay zeka dalıdır. Eğitimde; veri ön işleme, özellik mühendisliği, algoritma seçimi, model eğitimi, hiperparametre ayarlamaları, model değerlendirme, overfitting/underfitting analizi ve optimizasyon teknikleri detaylı bir şekilde incelenecektir. Ayrıca, derin öğrenme, ensemble modeller, transfer öğrenmesi ve üretime alma konuları da ele alınacaktır.
Kimler İçindir?
- Programlamaya aşina olan yeni başlayanlar, makine öğrenmesine giriş yapmak isteyenler,
- Veri bilimciler ve analistler, büyük veri setleri üzerinde analiz yapmak isteyenler,
- Yazılım mühendisleri, makine öğrenmesi algoritmalarını yazılımlarına entegre etmek isteyenler,
- Finans ve iş analistleri, müşteri tahminleri ve pazar analizi yapmak isteyenler,
- Yapay zeka ve robotik mühendisleri, makine öğrenmesi tabanlı sistemler geliştirmek isteyenler,
- Üniversite öğrencileri, makine öğrenmesi alanında kariyer yapmak isteyenler,
- Akademisyenler ve araştırmacılar, veriye dayalı bilimsel çalışmalar yapmak isteyenler.
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
- Eğitimin Tanıtımı ve Hedefler
- Eğitim içeriğinin kapsamı, amaçları, öğrenme çıktıları ve beklenen kazanımlar
- Eğitim metodolojisinin (teorik dersler, interaktif atölyeler, vaka analizleri, proje uygulamaları) açıklanması
- Makine Öğrenmesi Tanımı ve Tarihçesi
- Makine öğrenmesinin tarihsel gelişimi, evrimi ve geleneksel yaklaşımları
- Klasik ML ile modern yöntemler arasındaki farklar (derin öğrenme hariç)
- Temel Kavramlar ve Terimler
- Veri setleri, özellikler (features), etiketler (labels), eğitim/test setleri
- Overfitting, underfitting, bias, variance, hiperparametre, cross-validation
- Matematiksel ve İstatistiksel Temeller
- Temel istatistik: ortalama, varyans, dağılım, korelasyon
- Olasılık teorisi, regresyon, optimizasyon, lineer cebir ve temel kalkülüs
- Veri Temizleme ve Ön İşleme
- Eksik verilerin yönetimi, uç değer tespiti, gürültü giderme
- Veri dönüşümü: normalizasyon, standardizasyon, log dönüşümü
- Veri Keşfi (Exploratory Data Analysis - EDA)
- Veri görselleştirme teknikleri: histogram, kutu grafikleri, dağılım grafikleri
- İstatistiksel özetler, korelasyon analizi ve veri dağılımlarının incelenmesi
- Özellik Seçimi ve Mühendisliği
- Filtre, wrapper ve embedded yöntemler ile özellik seçimi
- Boyut indirgeme teknikleri: PCA, t-SNE, LDA
- Domain bilgisi kullanarak yeni özelliklerin oluşturulması
- Doğrusal Modeller
- Doğrusal regresyon: model oluşturma, parametre tahmini, hata metrikleri (MSE, RMSE)
- Lojistik regresyon: sınıflandırma, sigmoid fonksiyonu, loss fonksiyonu, ROC ve AUC
- Karar Ağaçları ve Ensemble Yöntemleri
- Karar ağaçları: bölme kriterleri (Gini, Entropy), overfitting kontrolü (pruning)
- Rastgele ormanlar ve boosting teknikleri (AdaBoost, Gradient Boosting, XGBoost)
- Ensemble yöntemlerinin teorik temelleri ve uygulama örnekleri
- Destek Vektör Makineleri (SVM)
- SVM prensipleri, kernel fonksiyonları, margin optimizasyonu
- SVM uygulamaları: sınıflandırma ve regresyon, hiperparametre ayarlamaları
- K-En Yakın Komşu (KNN)
- KNN algoritması: mesafe ölçütleri, k değeri seçimi, uygulama örnekleri
- Sınıflandırma ve regresyon için KNN kullanımı
- Kümeleme Teknikleri
- K-Means: algoritma adımları, optimum küme sayısı belirleme (Elbow, Silhouette)
- Hierarchical clustering: agglomeratif yöntemler, dendrogram analizi
- DBSCAN: yoğunluk tabanlı kümeleme, parametre seçimi, avantajlar ve sınırlamalar
- Birliktelik Analizi
- Apriori algoritması: destek, güven, lift kavramları
- Market basket analysis ve gerçek dünya örnekleri
- Boyut İndirgeme Yöntemleri
- PCA: matematiksel temeller, uygulama örnekleri
- Diğer teknikler: t-SNE, UMAP (görselleştirme odaklı)
- Model Değerlendirme Metodolojileri
- Eğitim/test veri ayrımı, hold-out, k-fold ve leave-one-out cross-validation
- Değerlendirme metrikleri: Accuracy, Precision, Recall, F1 Score, ROC, AUC, confusion matrix
- Hiperparametre Optimizasyonu
- Grid search, random search, Bayesian optimizasyon
- Model seçimi, overfitting/underfitting analizi
- Regularization ve Optimizasyon Teknikleri
- L1, L2 regularization; Elastic Net; model karmaşıklığı ve iteratif iyileştirme
- Model Interpretasyonu ve Açıklanabilirlik
- Feature importance, SHAP, LIME, model yorumlanabilirliği yöntemleri
- Karar süreçlerine katkı, güvenilirlik analizi
- Ensemble Yöntemleri
- Bagging, boosting, stacking, blending yöntemleri
- Model birleştirme stratejileri, hata azaltma ve çeşitlilik sağlama
- Meta-Öğrenme ve Otomatik ML (AutoML)
- Meta-öğrenme kavramı, model birleştirme ve otomatik hiperparametre optimizasyonu
- AutoML araçları ve platformları, uygulama örnekleri
- Reinforcement Learning
- Temel kavramlar: agent, environment, reward, policy
- Klasik RL algoritmalarının (Q-learning, SARSA) temel prensipleri ve örnek uygulamaları
- Model Dağıtım Stratejileri
- Model paketleme, REST API’ler oluşturma, mikroservis mimarileri
- Model izleme, loglama, performans ölçümleri ve güncellemeler
- CI/CD Süreçleri ve Otomasyon
- Sürekli entegrasyon ve sürekli dağıtım (CI/CD) süreçlerinin ML projelerine entegrasyonu
- Versiyon kontrolü, otomatik testler, rollback stratejileri
- Bulut Tabanlı Dağıtım
- AWS, Azure, Google Cloud üzerinde ML modellerinin dağıtılması
- Docker, Kubernetes ve serverless çözümlerle model üretime alma
- End-to-End Proje Uygulamaları
- Gerçek veri setleri üzerinde uygulamalı projeler: veri toplama, ön işleme, model eğitimi, validasyon, optimizasyon ve dağıtım
- Sektörel örnekler: finans, sağlık, perakende, pazarlama, sosyal medya, IoT
- Vaka İncelemeleri ve Grup Çalışmaları
- Endüstriyel uygulamalardan vaka çalışmaları, başarı hikayeleri, karşılaşılan zorluklar ve çözüm stratejilerinin detaylı incelenmesi
- Grup çalışmaları ve bireysel proje sunumları ile interaktif tartışma oturumları
- Canlı Demo Seansları ve Hands-On Atölyeler
- Kod incelemeleri, uygulamalı örnekler, canlı demo gösterimleri
- Mentor geribildirimleri, uygulama testleri ve interaktif soru-cevap seansları
- Gelecek Teknolojik Gelişmeler
- Makine öğrenmesindeki son trendler, yeni algoritmalar, hesaplama kaynaklarındaki gelişmeler
- Veri bilimi, IoT, büyük veri entegrasyonu ve endüstri 4.0 ile ML’nin etkileşimi
- Araştırma Konuları ve Akademik Çalışmalar
- Güncel akademik yayınlar, konferans bildirileri, araştırma projeleri ve inovasyon örnekleri
- Açık kaynak projeler, endüstri iş birlikleri ve yeni ML yöntemleri
- Sürekli Öğrenme ve İleri Kaynaklar
- Önerilen kitaplar, online kurslar, seminerler, çalıştaylar, web seminerleri
- Akademik topluluklar, forumlar, endüstri ağları, mentor programları ve sertifikasyon önerileri
Neden Bu Eğitimi Almalısınız ?
- Kolay Öğrenilebilirlik: Python'un basit sözdizimi sayesinde makine öğrenmesi algoritmalarını hızlı bir şekilde anlamak ve uygulamak mümkündür.
- Geniş Kullanım Alanı: Sağlık, finans, e-ticaret, lojistik, siber güvenlik gibi birçok alanda kullanılabilir.
- Güçlü Kütüphane Desteği: Scikit-learn, TensorFlow, Keras, PyTorch gibi popüler kütüphaneler sayesinde makine öğrenmesi modelleri kolayca oluşturulabilir ve optimize edilebilir.
- Endüstri Talebi: Şirketler, veri odaklı karar alma süreçlerini iyileştirmek için makine öğrenmesi uzmanlarına giderek daha fazla ihtiyaç duymaktadır.
- Kariyer Fırsatları: Makine öğrenmesi alanında uzmanlaşmak, günümüz iş dünyasında yüksek maaşlı ve prestijli iş imkanları sunmaktadır.
- Karar Destek Mekanizması: Makine öğrenmesi, veriye dayalı daha isabetli iş kararları almak için güçlü analiz araçları sağlar.
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: