AI'ın matematiksel sezgisini istatistikle kur
Tanımlayıcı istatistik, olasılık kuralları, koşullu olasılık ve Bayes teoremi, rastgele değişkenler ve binom/Poisson/normal dağılımlar ile örnekleme ve CLT sezgisini veri bilimi ve AI bağlamında uygulamalı öğreten temel seviye eğitim.
Tanımlayıcı istatistik, olasılık ve olasılık dağılımları
Bu eğitim, CompTIA DataAI kapsamında tanımlayıcı istatistik ve olasılık temellerini temel seviyede ele alır. Merkezi eğilim ve yayılım ölçüleri, dağılım şekli ve görselleştirme ile veri özetlenir. Olasılık kuralları, koşullu olasılık, bağımsızlık ve Bayes teoremi işlenir. Rastgele değişken, olasılık dağılımları (binom, Poisson, normal), beklenen değer ve varyans; örnekleme ve merkezi limit teoremi sezgisi ele alınır. Bu kavramların veri bilimi ve yapay zekâdaki rolü (model belirsizliği, sınıf olasılıkları) örneklenir. Katılımcılar temel istatistik ve olasılık kavramlarını veri problemlerine uygulayabilir.
3 Gün. Her gün dört modül; katılımcılar tanımlayıcı istatistikten olasılık kurallarına ve dağılımlara ilerler.
Temel Seviye — Tanımlayıcı istatistik ve olasılık temelleriyle dağılımlar, Bayes ve rastgele değişkenlerin veri/AI bağlamında uygulamalı ele alınması.
Katılımcılar örnek veri ve simülasyonlarla istatistik ve olasılık kavramlarını Python ile uygulamalı pekiştirir.
Belirsizliği olasılıkla ifade ederek AI modellerinin mantığını kavrarsınız.
Veriyi doğru istatistiklerle özetleyip yorumlarsınız.
Koşullu olasılık ve Bayes ile kanıtla inancı güncellersiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Kesir, yüzde ve ortalama kavramlarına aşinalık beklenir.
Temel Python/NumPy deneyimi faydalı olur ancak zorunlu değildir.
Değişken ve veri türü fikrine aşinalık öğrenmeyi kolaylaştırır.
Jupyter/Colab gibi bir ortama erişim işi kolaylaştırır.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Merkezi eğilim ve yayılım ölçüleriyle veriyi özetlersiniz.
Histogram ve boxplot ile dağılım şeklini yorumlarsınız.
Toplama, çarpma ve koşullu olasılığı uygularsınız.
Bayes ile önsel inancı kanıtla güncellersiniz.
Beklenen değer ve varyansı hesaplar ve yorumlarsınız.
Binom, Poisson ve normal dağılımları tanır ve kullanırsınız.
Örnekleme dağılımı ve CLT'yi kavrarsınız.
Olasılık ve istatistiğin AI modellerindeki rolünü anlarsınız.
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.
Minitab ile istatistiksel analiz: tanımlayıcı istatistik, t-testi ve ANOVA, regresyon, deney tasarımı (DOE), kontrol grafikleri, Cp/Cpk ve Gage R&R uygulamalı.
Detayları Gör →
Modern veri yönetim sistemleri: ilişkisel ve NoSQL, CAP/ACID, veri ambarı, veri gölü ve lakehouse, depolama modelleri, yönetişim ve mimari seçim ilkeleri.
Detayları Gör →
Modern veri ürünleri geliştirme: data as a product, data mesh, tüketici tasarımı, veri sözleşmeleri, SLA/SLO, teknik uygulama, gözlemlenebilirlik ve değer ölçüm
Detayları Gör →
SQL ile veri değiştirme: INSERT, UPDATE, DELETE, TRUNCATE, MERGE upsert, kısıtlar, OUTPUT/RETURNING ve transaction yönetimi (COMMIT/ROLLBACK) uygulamalı.
Detayları Gör →
Modern veri altyapısını yönlendiren etkenler: veri büyümesi, bulut ve depolama-işlem ayrımı, dağıtık işleme, batch/streaming, FinOps, yönetişim ve modern data s
Detayları Gör →