Gözetimli Öğrenme Algoritmaları Eğitimi

Eğitim Hakkında

Bu eğitim, sınıflandırma ve regresyon problemlerinde kullanılan başlıca gözetimli öğrenme algoritmalarını çalışma mantığı, varsayımları, güçlü ve zayıf yönleriyle karşılaştırmalı olarak ele alan uygulamalı bir programdır. Katılımcılar Python ve scikit-learn ile farklı algoritmaları aynı problem üzerinde kurar, karşılaştırır ve doğru model seçimini gerekçelendirir.

Neden Bu Eğitim?

Algoritma Haritası. Doğrusal modellerden destek vektör makinelerine ve topluluk yöntemlerine kadar tüm aileyi tek çerçevede görün.

Bilinçli Model Seçimi. Veri boyutu, yorumlanabilirlik ve performans ihtiyacına göre hangi algoritmanın seçileceğini gerekçelendirin.

Karşılaştırmalı Uygulama. Aynı veri setinde farklı algoritmaları adil bir deney düzeniyle kurup sonuçlarını yorumlamayı öğrenin.

“Her probleme uyan tek bir algoritma yoktur; iyi veri bilimci, verisini tanıyıp doğru aracı gerekçesiyle seçebilen kişidir.”

Ön Koşullar

Python ve pandas — Python ile veri okuma, filtreleme ve temel dönüşümleri pandas kullanarak yapabilmek.
Temel İstatistik — Ortalama, varyans, korelasyon ve olasılık dağılımı kavramlarına aşinalık.
ML Kavramları — Eğitim ve test verisi, özellik ve hedef değişken kavramlarını genel olarak bilmek.
Çalışma Ortamı — Python 3, scikit-learn ve Jupyter kurulu bir bilgisayar veya bulut not defteri.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiGözetimli öğrenme sürecini kurgulamak, doğrusal modeller, komşuluk, olasılıksal ve çekirdek tabanlı algoritmaların sezgisini kavrayıp scikit-learn ile uygulamak.

Modül 1

Gözetimli Öğrenme İş Akışı

Sınıflandırma ve regresyon problemlerinin ayrımı
Eğitim, doğrulama ve test ayrımı; aşırı ve eksik öğrenme
Yanlılık-varyans ödünleşimi ve model karmaşıklığı
scikit-learn API: fit, predict ve transform mantığı
Pipeline ve ColumnTransformer ile ön işleme
Laboratuvar: Müşteri kaybı verisinde referans model

Modül 2

Doğrusal ve Lojistik Modeller

Doğrusal regresyon ve kayıp fonksiyonu sezgisi
Lojistik regresyon ile olasılık tahmini
Ridge, Lasso ve Elastic Net düzenlileştirmesi
Gradyan inişi ve SGDClassifier ile büyük veri
Katsayıların yorumlanması ve ölçeklemenin etkisi
Laboratuvar: Lojistik regresyon ile kayıp tahmini

Modül 3

Komşuluk ve Olasılıksal Algoritmalar

k en yakın komşu (k-NN) ve mesafe ölçütleri
Boyut lanetinin k-NN performansına etkisi
Naive Bayes: Gaussian, Multinomial ve Bernoulli türleri
Metin sınıflandırmada Naive Bayes kullanımı
Tembel ve istekli öğrenme algoritmalarının farkı
Laboratuvar: E-posta sınıflandırmada Naive Bayes

Modül 4

Destek Vektör Makineleri

Maksimum marj ve destek vektörleri kavramı
Yumuşak marj ve C parametresinin etkisi
Çekirdek hilesi: doğrusal, polinom ve RBF çekirdek
Destek vektör regresyonu (SVR) ile sayısal tahmin
SVM'in ölçeklenebilirlik sınırları ve LinearSVC
Günün değerlendirmesi ve ağaç modelleri gününe köprü

Günün hedefiKarar ağaçları ve topluluk yöntemlerini uygulamak, algoritmaları adil deney düzeniyle karşılaştırmak ve iş problemine uygun modeli gerekçesiyle seçmek.

Modül 1

Karar Ağaçları ve Rastgele Ormanlar

Karar ağacı bölünme ölçütleri: Gini ve entropi
Derinlik, yaprak sayısı ve budama ile karmaşıklık
Bagging ve rastgele orman (random forest) mantığı
Safsızlık tabanlı özellik önemi ve permütasyon önemi
Ağaç modellerinin ölçeklemeye ihtiyaç duymaması
Laboratuvar: Rastgele orman ile kredi temerrüt tahmini

Modül 2

Gradyan Artırma Algoritmaları

Boosting mantığı: hatalardan ardışık öğrenme
HistGradientBoosting ile hızlı scikit-learn çözümü
XGBoost, LightGBM ve CatBoost karşılaştırması
Öğrenme oranı, ağaç sayısı ve erken durdurma
Tablo verisinde gradyan artırmanın başarı nedenleri
Laboratuvar: LightGBM ile kayıp tahmininin iyileştirilmesi

Modül 3

Algoritma Karşılaştırma ve Seçim

Çapraz doğrulama ile adil karşılaştırma düzeni
Doğruluk, F1, ROC-AUC, MAE ve RMSE metrikleri
Sınıf dengesizliğinde sınıf ağırlığı yaklaşımı
Yorumlanabilirlik, hız ve bakım maliyeti ölçütleri
Algoritma seçim karar ağacı: veri tipi ve boyut
Uygulama: Altı algoritmanın karşılaştırma tablosu

Modül 4

Model Seçimi Projesi ve Kapanış

Proje: Gerçekçi veri setinde uçtan uca model seçimi
Takım sunumları: seçilen model ve gerekçeleri
Kod incelemesi ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin paylaşımı
İleri konular: hiperparametre ayarı ve MLOps yolu

Eğitim Kazanımları

Problem Kurgusu — İş problemini sınıflandırma veya regresyon olarak tanımlayıp doğru veri ayrımı ve iş akışı kurabileceksiniz.
Doğrusal Modeller — Doğrusal ve lojistik regresyonu düzenlileştirmeyle uygulayıp katsayılarını yorumlayabileceksiniz.
k-NN ve Naive Bayes — Mesafe tabanlı ve olasılıksal algoritmaları doğru ölçekleme ve veri tipiyle etkin kullanabileceksiniz.
Destek Vektörleri — SVM ve SVR modellerini uygun çekirdek ve C parametresiyle doğrusal olmayan problemlere uygulayabileceksiniz.
Ağaç Modelleri — Karar ağacı ve rastgele orman modellerini kurup özellik önemleriyle sonuçları açıklayabileceksiniz.
Gradyan Artırma — XGBoost, LightGBM ve CatBoost ile tablo verisinde yüksek performanslı tahmin modelleri geliştirebileceksiniz.
Model Seçimi — Performans, yorumlanabilirlik ve maliyet ölçütleriyle algoritmaları adil biçimde karşılaştırıp seçebileceksiniz.
scikit-learn Ustalığı — Pipeline ve ColumnTransformer ile tekrarlanabilir, sızıntısız ve düzenli model kodu yazacaksınız.

Kimler İçin Uygundur?

Makine öğrenmesine giriş yapmış veri analistleri
junior veri bilimciler
yazılım geliştiriciler ve iş problemlerini tahmin modelleriyle çözmek isteyen analitik ekipler.

Sıkça Sorulan Sorular

Gözetimli Öğrenme Algoritmaları Eğitimi kimler için uygundur?

Program; makine öğrenmesine giriş yapmış veri analistleri, junior veri bilimciler, yazılım geliştiriciler ve iş problemlerini tahmin modelleriyle çözmek isteyen analitik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün doğrusal modeller, k-NN, Naive Bayes ve SVM; ikinci gün ağaç tabanlı yöntemler, gradyan artırma ve karşılaştırmalı model seçimi projesi işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve pandas ile temel veri işleme, ortalama ve varyans gibi temel istatistik kavramları ile eğitim-test ayrımı gibi temel ML kavramlarına aşinalık beklenir.

Eğitimde hangi kütüphaneler kullanılıyor?

Laboratuvarlar Jupyter üzerinde pandas ve scikit-learn ile yürütülür; gradyan artırma için XGBoost, LightGBM ve CatBoost, görselleştirme için Matplotlib kullanılır.

Bu eğitim diğer makine öğrenmesi eğitimlerinden nasıl ayrılıyor?

Program tek bir yöntemi derinlemesine incelemek yerine gözetimli öğrenme algoritmalarının geniş bir haritasını sunar ve model seçimi becerisine odaklanır. Tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

MAKİNE ÖĞRENMESİ: GÖZETİMLİ ÖĞRENME ALGORİTMALARI EĞİTİMİ