Scikit-Learn ile Makine Öğrenmesi Eğitimi

Eğitim Hakkında

Bu eğitim, pandas ile veri işleyebilen analitik ekiplerin scikit-learn kütüphanesiyle gözetimli ve gözetimsiz makine öğrenmesi modellerini uçtan uca kurması için tasarlanmış uygulamalı bir programdır. Katılımcılar müşteri kaybı, talep ve segmentasyon senaryolarında modelleri doğru doğrulama, metrik seçimi, hiperparametre ayarı ve yorumlama adımlarıyla geliştirir.

Neden Bu Eğitim?

Uçtan Uca İş Akışı. Veri hazırlamadan model seçimine, doğrulamadan yorumlamaya kadar tüm adımları tek bir tutarlı akışta öğrenin.

Doğru Değerlendirme. Yüksek doğruluk yanılgısına düşmeden, iş hedefine uygun metrik ve doğrulama stratejisi seçmeyi kavrayın.

Tekrar Kullanılabilir Kod. Pipeline ve ColumnTransformer ile üretime taşınabilir, sızıntısız ve düzenli model kodu yazın.

“İyi bir model yalnızca yüksek skor üretmez; doğru soruya cevap verir, dürüstçe doğrulanır ve anlaşılır biçimde açıklanır.”

Ön Koşullar

Python ve pandas — pandas ile veri okuma, filtreleme, gruplama ve birleştirme işlemlerini yapabilmek.
Temel İstatistik — Ortalama, varyans, korelasyon ve olasılık gibi temel istatistik kavramlarını bilmek.
Matematik Sezgisi — Doğrusal denklem ve fonksiyon kavramlarına lise düzeyinde aşinalık yeterlidir.
Çalışma Ortamı — Python 3, Jupyter ve scikit-learn kurulu bir bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

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

Günün hedefiMakine öğrenmesi iş akışını ve scikit-learn API mantığını kavramak, regresyon ve sınıflandırma modelleri kurmak ve bu modelleri doğru metriklerle değerlendirmek.

Modül 1

Makine Öğrenmesi İş Akışı ve scikit-learn

İş problemini tahmin problemine dönüştürme
Gözetimli ve gözetimsiz öğrenme, hedef değişken
Estimator API: fit(), predict() ve transform()
train_test_split ile eğitim-test ayrımı
Aşırı öğrenme (overfitting) ve yetersiz öğrenme
Demo: İlk modelin beş satırda kurulması

Modül 2

Regresyon Modelleri ile Sayısal Tahmin

Doğrusal regresyon ve katsayıların yorumlanması
Ridge ve Lasso ile düzenlileştirme (regularization)
Karar ağacı ve Random Forest regresyonu
MAE, RMSE ve R² metriklerinin iş anlamı
Artık (residual) analizi ile model teşhisi
Laboratuvar: Şube bazlı talep tahmini modeli

Modül 3

Sınıflandırma Modelleri

Lojistik regresyon ve olasılık çıktıları
k-En Yakın Komşu ve karar ağacı sınıflandırıcıları
HistGradientBoostingClassifier ile güçlü modeller
Dengesiz sınıflar ve class_weight kullanımı
Karar eşiği seçimi ve iş maliyeti ilişkisi
Laboratuvar: Kredi başvurusu onay tahmini

Modül 4

Model Değerlendirme ve Çapraz Doğrulama

Karmaşıklık matrisi, kesinlik, duyarlılık ve F1
ROC-AUC ve kesinlik-duyarlılık eğrileri
cross_val_score ve StratifiedKFold kullanımı
Öğrenme eğrileri ile veri miktarı analizi
Uygulama: Üç modelin çapraz doğrulamayla kıyası
Günün özeti ve pipeline gününe köprü

Günün hedefiÖn işleme ve modeli tek bir pipeline'da birleştirmek, hiperparametreleri sistematik ayarlamak, kümeleme ile segment üretmek ve modelleri yorumlayarak proje sunmak.

Modül 1

Pipeline ile Sızıntısız Modelleme

ColumnTransformer ile sayısal ve kategorik akışlar
SimpleImputer, OneHotEncoder ve StandardScaler
Pipeline ile ön işleme ve modelin birleştirilmesi
Veri sızıntısı (data leakage) örnekleri ve önlemleri
Özel dönüştürücü: FunctionTransformer kullanımı
Laboratuvar: Müşteri kaybı için uçtan uca pipeline

Modül 2

Hiperparametre Ayarı ve Model Seçimi

GridSearchCV ve RandomizedSearchCV karşılaştırması
HalvingGridSearchCV ile hızlandırılmış arama
İç içe çapraz doğrulama ile yansız performans
Olasılık kalibrasyonu: CalibratedClassifierCV
Model seçiminde performans ve açıklanabilirlik dengesi
Atölye: Takımlar arası model optimizasyon yarışması

Modül 3

Kümeleme, Boyut İndirgeme ve Yorumlama

K-Means ve dirsek ile siluet yöntemleri
DBSCAN ile yoğunluk tabanlı kümeleme
PCA ile boyut indirgeme ve görselleştirme
Permütasyon önemi ile özellik katkıları
PartialDependenceDisplay ile etki grafikleri
Uygulama: Müşteri segmentasyonu ve profil analizi

Modül 4

Müşteri Kaybı Projesi ve Kapanış

Proje: Veri, pipeline, ayar ve eşik seçimi
Modeli joblib ile kaydetme ve yeniden yükleme
Sonuçların iş birimine anlaşılır sunumu
MLflow ve üretime alma adımlarına kısa bakış
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve ileri öğrenme kaynakları

Eğitim Kazanımları

Problem Çerçeveleme — İş sorularını regresyon, sınıflandırma veya kümeleme problemi olarak doğru biçimde tanımlayabileceksiniz.
Regresyon Modelleri — Doğrusal, düzenlileştirilmiş ve ağaç tabanlı regresyon modelleriyle sayısal tahminler üretebileceksiniz.
Sınıflandırma — Lojistik regresyon ve gradyan artırma modelleriyle dengesiz veride dahi sınıflandırma yapabileceksiniz.
Doğru Metrikler — Karmaşıklık matrisi, ROC-AUC, F1 ve RMSE gibi metrikleri iş hedefine göre seçip yorumlayabileceksiniz.
Pipeline Tasarımı — ColumnTransformer ve Pipeline ile veri sızıntısına kapalı, tekrar kullanılabilir model akışları kurabileceksiniz.
Hiperparametre Ayarı — Grid, rastgele ve yarılamalı arama yöntemleriyle modellerinizi çapraz doğrulama altında optimize edebileceksiniz.
Segmentasyon — K-Means, DBSCAN ve PCA ile müşteri segmentleri oluşturup bu segmentleri iş diliyle profilleyebileceksiniz.
Model Yorumlama — Permütasyon önemi ve kısmi bağımlılık grafikleriyle model kararlarını iş birimlerine açıklayacaksınız.

Kimler İçin Uygundur?

Veri analistleri
makine öğrenmesine geçiş yapan iş zekası uzmanları
yeni başlayan veri bilimciler ile tahmin modeli geliştirmek isteyen analitik ekip üyeleri.

Sıkça Sorulan Sorular

Scikit-Learn ile Makine Öğrenmesi Eğitimi kimler için uygundur?

Program; pandas bilen veri analistleri, makine öğrenmesine geçiş yapan iş zekası uzmanları, kariyerinin başındaki veri bilimciler ve tahmin modeli geliştirmek isteyen analitik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün regresyon, sınıflandırma ve değerlendirme; ikinci gün pipeline, hiperparametre ayarı, kümeleme, yorumlama ve müşteri kaybı projesi işlenir.

İleri matematik bilgisi gerekli mi?

Hayır. Temel istatistik ve lise düzeyinde matematik sezgisi yeterlidir. Algoritmalar formül yoğun değil, sezgisel anlatım ve görsellerle açıklanır; odak doğru uygulama ve yorumlamadır.

Derin öğrenme konuları eğitimde yer alıyor mu?

Bu program klasik makine öğrenmesine ve tablo verisine odaklanır. Derin öğrenme, üretime alma (MLOps) ve ileri özellik mühendisliği Digital Vizyon Akademi'nin ayrı eğitimlerinde ele alınır.

Eğitim sonunda sertifika veriliyor mu?

Evet. Laboratuvarları ve projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır; not defterleri ve proje kodları katılımcılarla paylaşılır.

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

SCIKIT-LEARN İLE MAKİNE ÖĞRENMESİ UYGULAMALARI EĞİTİMİ