Boyut İndirgeme Yöntemleri Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, yüksek boyutlu veride gürültüyü azaltmak, hesaplama maliyetini düşürmek ve yapıyı görünür kılmak için kullanılan özellik seçimi ve özellik çıkarımı yöntemlerini matematiksel sezgisi ve uygulamasıyla ele alan bir programdır. Katılımcılar PCA, SVD, NMF, t-SNE, UMAP ve otokodlayıcıları görüntü, metin ve sensör verisinde uygular.

Neden Bu Eğitim?

Boyut Lanetini Aşın. Çok sayıda değişkenin model performansını ve yorumlanabilirliği nasıl bozduğunu görün ve çözümünü uygulayın.

Sezgisel Matematik. Kovaryans, özvektör ve SVD kavramlarını geometrik sezgiyle kavrayıp doğru yöntemi bilinçli seçin.

Görünmeyeni Görselleştirin. t-SNE ve UMAP ile yüzlerce boyutlu veriyi iki boyutta anlamlı ve yanıltmayan biçimde haritalayın.

“Doğru boyut indirgeme veriden bilgi kaybettirmez; gürültüyü ayıklayarak verinin asıl anlatmak istediğini ortaya çıkarır.”

Ön Koşullar

Python ve NumPy — NumPy dizileri ve pandas ile veri işleme yapabilmek; scikit-learn deneyimi faydalıdır.
Doğrusal Cebir — Vektör, matris çarpımı ve özdeğer kavramlarına temel düzeyde aşinalık.
Temel ML Bilgisi — Eğitim-test ayrımı, aşırı öğrenme ve basit bir sınıflandırma modeli kurma deneyimi.
Çalışma Ortamı — Python 3, scikit-learn, umap-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 hedefiBoyut lanetini ve indirgeme ihtiyacını kavramak, özellik seçimi tekniklerini uygulamak, PCA ve matris ayrışımı yöntemlerini doğru yorumlayarak kullanmak.

Modül 1

Boyut Laneti ve Özellik Seçimi

Boyut laneti: seyrek uzay ve anlamını yitiren mesafe
Özellik seçimi ile özellik çıkarımı arasındaki fark
Filtre yöntemleri: varyans eşiği ve karşılıklı bilgi
Sarmalayıcı yöntemler: RFE ve ardışık özellik seçimi
Gömülü yöntemler: L1 düzenlileştirme ve ağaç önemi
Laboratuvar: Yüzlerce sensör değişkeninden seçim

Modül 2

Temel Bileşen Analizi (PCA)

Kovaryans matrisi, özvektörler ve varyans yönleri
PCA'nın SVD ile hesaplanması ve geometrik anlamı
Açıklanan varyans oranı ve bileşen sayısı seçimi
Bileşen yüklerinin yorumlanması ve ölçekleme etkisi
Beyazlatma ve PCA ile gürültü giderme
Laboratuvar: Yüz görüntülerinde özyüzler analizi

Modül 3

PCA Varyantları ve Matris Ayrışımları

IncrementalPCA ile belleğe sığmayan veri
Kernel PCA ile doğrusal olmayan yapılar
TruncatedSVD ile seyrek metin matrislerinde LSA
Negatif olmayan matris ayrışımı (NMF) ile parçalar
Faktör analizi ve bağımsız bileşen analizi (ICA)
Laboratuvar: NMF ile haber metinlerinde konu çıkarımı

Modül 4

Gözetimli Boyut İndirgeme ve Pipeline

Doğrusal diskriminant analizi (LDA) ile sınıf ayrımı
PCA ile LDA arasındaki amaç ve kullanım farkı
Boyut indirgemenin pipeline içinde sızıntısız kullanımı
Bileşen sayısının çapraz doğrulama ile ayarlanması
Laboratuvar: PCA sonrası model hızı ve doğruluk analizi
Günün değerlendirmesi ve manifold gününe köprü

Günün hedefiManifold öğrenme yöntemlerini doğru parametrelerle uygulamak, otokodlayıcı ve gömme tabanlı temsil öğrenmeyi kullanmak ve yöntem seçimini projeyle pekiştirmek.

Modül 1

Manifold Öğrenmeye Giriş

Manifold hipotezi ve yerel komşuluk yapısı
Çok boyutlu ölçekleme (MDS) ve mesafe koruma
Isomap ile jeodezik mesafeye dayalı gömme
Yerel doğrusal gömme (LLE) yaklaşımı
İsviçre rulosu verisinde yöntemlerin karşılaştırması
Laboratuvar: Manifold yöntemlerinin görsel karşılaştırması

Modül 2

t-SNE ve UMAP ile Görselleştirme

t-SNE: olasılıksal benzerlik ve perplexity parametresi
t-SNE çıktısında küme boyutu ve mesafe yanılgıları
UMAP: n_neighbors ve min_dist parametrelerinin etkisi
UMAP ile yeni veriyi dönüştürme ve ölçeklenebilirlik
Görselleştirme ile modelleme girdisi ayrımı
Laboratuvar: El yazısı rakamlarda t-SNE ve UMAP

Modül 3

Otokodlayıcılar ve Gömme Vektörleri

Otokodlayıcı mimarisi: kodlayıcı, darboğaz, kod çözücü
PyTorch ile basit otokodlayıcı eğitimi
Gürültü giderici otokodlayıcı ve anomali tespiti
Önceden eğitilmiş modellerden metin ve görüntü gömmeleri
Gömmelerin PCA ve UMAP ile sıkıştırılması
Laboratuvar: Sensör verisinde otokodlayıcı ile sıkıştırma

Modül 4

Yöntem Seçimi Projesi ve Kapanış

Yöntem seçim rehberi: amaç, veri tipi, ölçek, yorum
Proje: Yüksek boyutlu veride uçtan uca indirgeme
Takım sunumları ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin paylaşımı
Temsil öğrenme için ileri öğrenme kaynakları

Eğitim Kazanımları

Boyut Laneti Bilinci — Yüksek boyutun mesafe, model performansı ve yorumlanabilirlik üzerindeki etkisini açıklayabileceksiniz.
Özellik Seçimi — Filtre, sarmalayıcı ve gömülü yöntemlerle modele katkı sağlayan değişkenleri seçebileceksiniz.
PCA Uzmanlığı — PCA bileşenlerini, açıklanan varyansı ve yükleri doğru yorumlayarak veriyi sadeleştirebileceksiniz.
Matris Ayrışımları — TruncatedSVD, NMF, faktör analizi ve ICA ile metin ve sinyal verisinde gizli yapıları çıkarabileceksiniz.
Manifold Öğrenme — MDS, Isomap ve LLE yöntemlerini doğrusal olmayan veri yapılarına uygun biçimde uygulayabileceksiniz.
Görselleştirme — t-SNE ve UMAP'i doğru parametrelerle kullanıp çıktılarını yanılgılara düşmeden yorumlayabileceksiniz.
Temsil Öğrenme — PyTorch ile otokodlayıcı eğitip önceden eğitilmiş gömmeleri boyut indirgemeyle birleştirebileceksiniz.
Yöntem Seçimi — Amaç, veri tipi ve ölçeğe göre en uygun boyut indirgeme yöntemini gerekçesiyle seçip uygulayacaksınız.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
sensör ve sinyal verisiyle çalışan mühendisler
biyoinformatik ve Ar-Ge analistleri ile yüksek boyutlu veri işleyen ekipler.

Sıkça Sorulan Sorular

Boyut İndirgeme Yöntemleri Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi mühendisleri, sensör ve sinyal verisiyle çalışan mühendisler, biyoinformatik ve Ar-Ge analistleri ile yüksek boyutlu veri işleyen ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün özellik seçimi, PCA ve matris ayrışımları; ikinci gün manifold öğrenme, t-SNE, UMAP, otokodlayıcılar ve yöntem seçimi projesi işlenir.

Katılım için ne kadar matematik bilgisi gerekiyor?

Vektör, matris çarpımı ve özdeğer kavramlarına temel aşinalık yeterlidir. Kavramlar ağır ispatlar yerine geometrik sezgi ve görselleştirmelerle anlatılır.

Eğitimde hangi kütüphaneler kullanılıyor, sertifika veriliyor mu?

NumPy, pandas, scikit-learn, umap-learn, PyTorch ve Matplotlib kullanılır; laboratuvarlar Jupyter ortamında yürütülür. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

t-SNE ve UMAP sonuçları modelleme için kullanılabilir mi?

Eğitimde t-SNE'nin öncelikle görselleştirme amaçlı olduğu, UMAP'in ise uygun parametrelerle modelleme girdisi olarak da kullanılabileceği ve her iki yöntemde mesafe yorumunun sınırları uygulamalı olarak gösterilir.

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

BOYUT İNDİRGEME YÖNTEMLERİ EĞİTİMİ