Geçmiş veriden geleceği güvenle öngör
Öngörücü analitiği iş problemlerine uygulayan ileri seviye eğitim: problem çerçeveleme, özellik mühendisliği, doğrusal ve ağaç tabanlı modeller, XGBoost, çapraz doğrulama ve ROC-AUC/RMSE değerlendirme, SHAP ile yorumlama ve model devreye alma ile drift izleme.
Özellik mühendisliği, model eğitimi, değerlendirme ve devreye alma
Bu ileri seviye eğitim, öngörücü analitiği (predictive analytics) gerçek iş problemlerine uygulamayı öğretir. Problem çerçeveleme ve hedef değişken tanımı, veri hazırlığı ve özellik mühendisliği (encoding, ölçekleme, özellik üretimi) ile başlar. Denetimli öğrenme kapsamında doğrusal/lojistik regresyon, karar ağaçları, random forest ve gradient boosting (XGBoost) modelleri eğitilir. Model değerlendirme: train/test ayrımı, çapraz doğrulama, ROC-AUC, precision/recall, RMSE ve aşırı/eksik öğrenme (overfitting) ele alınır. Hiperparametre ayarı, model yorumlanabilirliği (feature importance, SHAP) ve modelin üretime alınması (deployment, izleme, drift) işlenir. Katılımcılar churn/talep gibi bir senaryoda model kurar ve iş değerine bağlar.
4 Gün. Her gün dört modül; katılımcılar problem çerçevelemeden model eğitimi, değerlendirme ve devreye almaya ilerler.
İleri Seviye — iş problemlerine öngörücü modellerin uçtan uca uygulanması: özellik mühendisliği, model eğitimi, değerlendirme ve devreye alma.
Katılımcılar Python/scikit-learn ile gerçek bir iş veri setinde model kurup değerlendirerek uygulamalı çalışır.
Modeli bir iş metriğine bağlayarak gerçek karar değeri üretirsiniz.
Çapraz doğrulama ve doğru metriklerle modelin gerçek başarısını ölçersiniz.
Modeli devreye alır, drift ve performansını izlersiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Temel-orta Python ve pandas kullanımına aşinalık beklenir.
Dağılım, korelasyon ve olasılık kavramlarına temel aşinalık faydalıdır.
Denetimli öğrenme kavramına genel aşinalık avantajdır.
scikit-learn kurulu Jupyter/Colab ortamı ve örnek veri seti.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
İş sorusunu doğru bir tahmin problemine çevirirsiniz.
Encoding, ölçekleme ve üretimle güçlü özellikler kurarsınız.
Regresyondan boosting'e uygun modeli seçip eğitirsiniz.
Çapraz doğrulamalı hiperparametre ayarıyla modeli iyileştirirsiniz.
AUC, F1 ve RMSE gibi doğru metriklerle başarıyı ölçersiniz.
SHAP ve feature importance ile kararları açıklarsınız.
Modeli pipeline olarak paketler ve üretime alırsınız.
Drift ve performansı izleyip yeniden eğitimi tetiklersiniz.
Bu eğitim Digital Vizyon Akademi Başarı 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.
Hedef kitle, tek ana mesaj, anlatı yapısı, dikkat yönlendirme ve açıklayıcı başlıklarla veri bulgularını ikna edici bir hikâyeye dönüştürmeyi öğrenin.
Detayları Gör →
Ön-dikkat öznitelikleri, Cleveland-McGill kodlama, Gestalt ilkeleri, renk teorisi ve tipografiyle hızlı ve doğru okunan grafikler tasarlamayı öğrenin.
Detayları Gör →
Microsoft Project Online Desktop Client'ta Visual Reports, panolar, Gantt biçimlendirme ve earned value grafikleriyle proje verisini görselleştirmeyi öğrenin.
Detayları Gör →
SAS DATA adımında diziler, PROC TRANSPOSE ile geniş-uzun dönüşüm ve SET/MERGE ile veri seti birleştirmeyi BY ve IN= teknikleriyle uygulamalı öğrenin.
Detayları Gör →
SQL'de CAST/CONVERT ve TRY_CAST ile tip dönüşümlerini, UNION, INTERSECT, EXCEPT küme işlemlerini ve performans etkilerini uygulamalı öğrenin.
Detayları Gör →