KNIME: Zaman Serisi ve Market Basket

Eğitim Hakkında

KNIME ile zaman serisi tahmini ve birliktelik kuralı (market basket) analizi

Bu orta seviye eğitim, KNIME ile iki güçlü analitik tekniği kodsuz biçimde uygular: zaman serisi analizi ve market basket (birliktelik kuralı) analizi. Katılımcılar zaman serisi ön işleme (toplulaştırma, eksik zaman damgası, pencere), ayrıştırma (trend, mevsimsellik), gecikmeli (lag) özellikler ve tahmin modelleri (hareketli ortalama, ARIMA, makine öğrenmesi tabanlı tahmin) öğrenir. Ardından işlem (transaction) verisinin hazırlanması, Apriori ile sık öğe kümeleri, birliktelik kuralları (support, confidence, lift), kuralların yorumu ve öneri senaryoları uygulamalı işlenir.

Süre ve Format

2 Gün. Her gün dört modül; katılımcılar zaman serisi tahmininden market basket analizine ilerler.

Seviye

Orta Seviye — KNIME ile zaman serisi tahmini ve birliktelik kuralı (market basket) analizinin kodsuz uygulanması.

Öğrenme Metodu

Katılımcılar gerçek zaman serisi ve işlem verileriyle tahmin ve birliktelik kuralı workflow'ları kurarak öğrenir.

Neden Bu Eğitim?

📉Tahmin Gücü

Zaman serisi verisinden geleceğe dönük tahminler üretirsiniz.

🛒Sepet Analizi

Birlikte satılan ürünleri keşfederek öneri fırsatları bulursunuz.

🧩Kodsuz

İleri analitiği KNIME node'larıyla kod yazmadan uygularsınız.

Anahtar Konular

knime zaman serisimarket basket analizibirliktelik kuralıapriorizaman serisi tahminilow-code mlsupport confidence liftknimesepet analiziarima

“Geçmişi doğru okuyan, hem geleceği tahmin eder hem de gizli örüntüleri görür.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

KNIME Temeli

KNIME workflow ve node mantığına aşinalık beklenir.

2

Veri Hazırlık

Filtreleme ve toplulaştırma node'larına aşinalık faydalıdır.

3

KNIME Kurulumu

KNIME Analytics Platform yüklü bir bilgisayar gereklidir.

4

Temel İstatistik

Trend, mevsimsellik ve oran kavramlarına aşinalık faydalıdır.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı, KNIME ile zaman serisini hazırlar ve tahmin modeli kurabilir.

Modül 1

Zaman Serisi Ön İşleme

Zaman damgası ayrıştırma (String to Date&Time)
Zaman bazlı toplulaştırma (günlük/aylık)
Eksik zaman damgalarının doldurulması
Düzenli zaman aralığı oluşturma
Aykırı değer temizliği
Zaman serisi görselleştirme

Modül 2

Ayrıştırma

Trend bileşeninin incelenmesi
Mevsimsellik (seasonality) tespiti
Hareketli ortalama ile yumuşatma
Durağanlık (stationarity) kavramı
Fark alma (differencing)
Otokorelasyon sezgisi

Modül 3

Özellik Mühendisliği

Gecikmeli (lag) özellikler oluşturma
Pencere (window) istatistikleri
Takvim özellikleri (gün, ay, tatil)
Hareketli ortalama özellikleri
Hedef kaydırma ile denetimli öğrenme kurulumu
Özelliklerin tahmine katkısı

Modül 4

Tahmin Modelleri

Hareketli ortalama tahmini
ARIMA yaklaşımı
ML tabanlı tahmin (Random Forest, regresyon)
Eğitim/test ayrımında zaman sırasının korunması
Tahmin hatası (RMSE, MAE) değerlendirmesi
Tahminlerin görselle sunumu

Günün hedefiKatılımcı, işlem verisinden birliktelik kuralları çıkarıp yorumlayabilir.

Modül 1

İşlem Verisi

Transaction (sepet) verisinin yapısı
Uzun biçimden sepet listesine dönüştürme
GroupBy ile işlem başına öğe toplama
Seyrek (sparse) temsilin mantığı
Veri kalitesi ve filtreleme
Analize hazır veri biçimi

Modül 2

Sık Öğe Kümeleri

Destek (support) kavramı
Apriori algoritmasının mantığı
Sık öğe kümelerinin bulunması
Minimum destek eşiği seçimi
Öğe kümesi boyutu
Hesaplama maliyeti ve eşik dengesi

Modül 3

Birliktelik Kuralları

Association Rule Learner node'u
Güven (confidence) metriği
Lift ile ilişki gücü
Antecedent ve consequent
Kural filtreleme ve sıralama
Önemsiz kuralların elenmesi

Modül 4

Yorum ve Uygulama

Yüksek lift'li kuralların yorumu
Çapraz satış ve öneri senaryoları
Ürün yerleşimi ve kampanya fikirleri
Kuralların iş değerine çevrilmesi
Yanıltıcı korelasyonlardan kaçınma
Sonuçların sunumu

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Zaman Serisi Hazırlık

Zaman serisini toplulaştırır ve düzenli hâle getirirsiniz.

✅

Ayrıştırma

Trend ve mevsimselliği ayırıp yorumlarsınız.

✅

Lag Özellikler

Gecikmeli ve pencere özellikleriyle tahmin kurulumunu yaparsınız.

✅

Tahmin

ARIMA ve ML tabanlı tahmin modelleri kurar ve değerlendirirsiniz.

✅

İşlem Verisi

Sepet verisini birliktelik analizi için hazırlarsınız.

✅

Apriori

Sık öğe kümelerini destek eşiğiyle bulursunuz.

✅

Kurallar

Support, confidence ve lift ile birliktelik kurallarını çıkarırsınız.

✅

İş Değeri

Kuralları çapraz satış ve öneri senaryolarına dönüştürürsünüz.

Kimler İçin Uygundur?

Veri analistleri
perakende ve satış analistleri
KNIME kullanıcıları
tahmin ile öneri analitiği yapmak isteyenler için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri analistleri, perakende/satış analistleri ve tahmin ile öneri analitiği yapmak isteyen KNIME kullanıcıları için uygundur.

KNIME temeli gerekli mi?

Evet; workflow ve node mantığına aşinalık beklenir, giriş niteliğinde değildir.

Market basket analizi nedir?

Birlikte satın alınan ürünleri keşfeden birliktelik kuralı analizidir; Apriori ve lift metriğiyle ele alınır.

Kod yazıyor muyuz?

Hayır; tüm analiz KNIME node'larıyla kodsuz yapılır.

Eğitim sonunda sertifika veriliyor mu?

Katılım ve değerlendirme sonrası Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Sertifikalandırma

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.

Örnek Sertifika

LOW-CODE ML WITH KNIME: PERFORMING TIME SERIES & MARKET BASKET ANALYSIS EĞİTİMİ