Veriyi hazırlayın, geleceği tahmin edin
Veri hazırlamadan özellik mühendisliği, modelleme ve değerlendirmeye kadar tahmine dayalı analitik hattını öğreten ileri eğitim.
Veri hazırlamadan tahmin modeline uzanan predictive analytics programı
Bu eğitim, tahmine dayalı analitik (predictive analytics) için veriyi hazırlama ve model kurma becerisi kazandırır. Veri temizleme, eksik veri atama (imputation), aykırı değer, kodlama ve ölçekleme, dengesiz veri için örnekleme ele alınır. Özellik mühendisliği (türetme, binning, etkileşim, tarih/metin özellikleri, özellik seçimi), model seçimi (regresyon, karar ağacı, rastgele orman, gradyan artırma), çapraz doğrulama, hiperparametre ayarı ve değerlendirme metrikleri işlenir. Veri sızıntısı önleme ve scikit-learn Pipeline ile uçtan uca akış vurgulanır. Katılımcı bir tahmin modeli kurup değerlendirir.
3 Gün. Her gün dört modül; veri hazırlama, özellik mühendisliği, modelleme ve değerlendirme üzerine uygulama.
İleri Seviye — tahmine dayalı analitik için veri hazırlama, özellik mühendisliği, modelleme ve değerlendirme
Python ve scikit-learn ile gerçek veri setleri üzerinde Pipeline tabanlı tahmin modeli kurularak uygulanır.
Model performansının çoğunu belirleyen özellik mühendisliğinde ustalaşırsınız.
Pipeline ve doğru doğrulamayla veri sızıntısını önleyip güvenilir sonuç alırsınız.
Çapraz doğrulama ve metrik seçimiyle modeli dürüstçe değerlendirirsiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
pandas ve numpy ile orta düzey deneyim gerekir.
Dağılım, korelasyon ve olasılık kavramları önerilir.
Temel makine öğrenmesi kavramlarına aşinalık faydalıdır.
Python, pandas, scikit-learn ve Jupyter kurulu olmalıdır.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Tahmin için veriyi temizleyip kodlayabilirsiniz.
İmputation ve SMOTE ile eksik ve dengesiz veriyi ele alabilirsiniz.
Anlamlı özellikler türetip seçebilirsiniz.
Regresyon ve ağaç/boosting modelleri kurabilirsiniz.
scikit-learn Pipeline ile sızıntısız akış kurabilirsiniz.
Uygun CV ile modeli güvenilir biçimde değerlendirebilirsiniz.
Grid/random search ile modeli ayarlayabilirsiniz.
Özellik önemiyle yorumlayıp dağıtıma hazırlayabilirsiniz.
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.
Veri kataloğu eğitimi: metadata türleri, veri sözlüğü, iş sözlüğü, veri soyağacı (lineage), sınıflandırma, arama/keşif ve veri sahipliği/yönetişim.
Detayları Gör →
Veri krizi yönetimi eğitimi: ihlal müdahale planı, tespit/kapsama, KVKK 72 saat bildirim, kriz iletişimi, yedekten kurtarma ve olay sonrası postmortem.
Detayları Gör →
Veri madenciliği eğitimi: KDD süreci, ön işleme, sınıflandırma (karar ağacı/Naive Bayes/k-NN), kümeleme (k-means/DBSCAN), Apriori birliktelik ve anomali tespiti
Detayları Gör →
Veri mimarisi eğitimi: veri modelleme, normalizasyon, OLTP/OLAP, veri ambarı ve boyutsal model, veri gölü/lakehouse, medallion, ETL/ELT, MDM ve data mesh.
Detayları Gör →
KVKK eğitimi: veri sorumlusu/işleyen ayrımı, aydınlatma metni (madde 10), açık rıza, veri işleme sözleşmesi, teknik/idari tedbirler ve VERBİS yükümlülükleri.
Detayları Gör →