Mesafe metrikleriyle sınıflandır ve kümele
Mesafe metrikleri, kNN, K-means ve hiyerarşik kümeleme ile ölçeklendirme ve değerlendirmeyi Python/scikit-learn üzerinde öğreten orta seviye uygulamalı eğitim.
Mesafe metrikleri, kNN, K-means ve hiyerarşik kümeleme
Bu eğitim, makine öğrenmesinde uzaklık (distance) kavramına dayalı model ve algoritmaları öğretir. Öklid, Manhattan (city-block), Minkowski, kosinüs benzerliği, Hamming ve Mahalanobis mesafeleri; özellik ölçeklendirmenin (standardizasyon, min-max) mesafeye etkisi ele alınır. k-En Yakın Komşu (kNN) ile sınıflandırma/regresyon, k seçimi, ağırlıklandırma ve boyut laneti işlenir. K-means kümeleme, başlangıç (k-means++), dirsek (elbow) ve silhouette ile k seçimi; hiyerarşik kümeleme ve bağlantı (linkage) yöntemleri uygulanır. Katılımcılar Python/scikit-learn ile mesafe tabanlı modeller kurup değerlendirir.
2 Gün. Her gün dört modül; katılımcılar mesafe metriklerinden kNN ve kümelemeye ilerler.
Orta Seviye — Uzaklık tabanlı modeller: mesafe metrikleri, kNN, K-means ve hiyerarşik kümeleme ile ölçeklendirme ve değerlendirmenin uygulamalı ele alınması.
Katılımcılar Python/scikit-learn ile gerçek veri üzerinde mesafe metrikleri, kNN ve kümeleme modellerini adım adım kurup görselleştirerek öğrenir.
Veriye uygun mesafe metriğini seçerek model doğruluğunu ciddi biçimde artırırsınız.
k seçimi ve ağırlıklandırmayla kNN'i doğru ve dengeli kurarsınız.
K-means ve hiyerarşik yöntemlerle etiketsiz veride yapı keşfedersiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
NumPy/pandas ile temel veri işleme bilgisi gereklidir.
Vektör, mesafe ve temel istatistik kavramı faydalıdır.
Temel makine öğrenmesi kavramlarına aşinalık önerilir.
Python, scikit-learn ve Jupyter kurulu bir ortam.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Veriye uygun mesafe metriğini seçebilirsiniz.
Özellikleri doğru ölçeklendirebilirsiniz.
kNN ile sınıflandırma/regresyon kurabilirsiniz.
Çapraz doğrulama ile en iyi k'yı bulabilirsiniz.
K-means kümeleme uygulayabilirsiniz.
Elbow ve silhouette ile k seçebilirsiniz.
Dendrogram ve linkage ile kümeleyebilirsiniz.
Küme ve sınıflandırma kalitesini ölçebilirsiniz.
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 analizi sürecini Python/pandas ile uçtan uca uygulayın: temizleme, gruplama, birleştirme, EDA ve seaborn ile görselleştirme. Orta seviye DVA eğitimi.
Detayları Gör →
Excel PivotTable ve Power Pivot ile çok boyutlu analiz: değer gösterimleri, hesaplanmış alanlar, dilimleyiciler, veri modeli ve DAX. Orta seviye DVA eğitimi.
Detayları Gör →
Yoğun veri analitiği kampı: analitik döngü, SQL, Python, istatistik, A/B test ve BI panoları ile uçtan uca proje. Beş günlük ileri seviye DVA eğitimi.
Detayları Gör →
Kod yazmadan veri analitiği: elektronik tablolar ve no-code araçlarla veri hazırlama, grafikler ve ilk gösterge paneli. Başlangıç seviyesi DVA eğitimi.
Detayları Gör →
Modern veri mimarisi tasarımı: katmanlı mimari, lakehouse, medallion, data mesh, ELT orkestrasyonu ve yönetişim. İleri seviye DVA eğitimi.
Detayları Gör →