Model Development, Validation & Evaluation Eğitimi

Eğitim Hakkında

Makine öğrenmesi modeli yaşam döngüsü: geliştirme, doğrulama, değerlendirme

Eğitim, makine öğrenmesi modellerinin geliştirilmesini ve güvenilir şekilde değerlendirilmesini kapsar: veri ön işleme ve özellik mühendisliği, veri sızıntısı, train/validation/test ayrımı, k-katlı çapraz doğrulama, hiperparametre arama, sınıflandırma ve regresyon metrikleri (F1, ROC-AUC, RMSE), kalibrasyon, hata analizi ve model kartı ile raporlama.

Süre ve Format

2 Gün. Her gün dört modül; Model Geliştirme ve Doğrulama ve Değerlendirme ekseninde ilerleyen uygulamalı program.

Seviye

İleri Seviye — Makine öğrenmesi modeli geliştirme, çapraz doğrulama, metrik seçimi ve hata analizi

Öğrenme Metodu

Scikit-learn ve pandas ile gerçek tablo verisi üzerinde baştan sona model kurulur; her adımda doğrulama kurgusu hatalı ve doğru haliyle karşılaştırılır.

Neden Bu Eğitim?

🎯Doğru metrik seçimi

İş problemine uygun metriği seçip yanıltıcı doğruluk değerlerinden kaçınırsınız.

🧪Güvenilir doğrulama

Veri sızıntısı ve aşırı öğrenmeyi çapraz doğrulamayla yakalarsınız.

📋Raporlanabilir sonuç

Model performansını paydaşlara savunulabilir şekilde sunarsınız.

Anahtar Konular

model değerlendirmeçapraz doğrulamamakine öğrenmesi eğitimiroc aucf1 skoruhiperparametre ayarıveri sızıntısıscikit-learnshapmodel validasyonu

“Ölçemediğiniz modeli iyileştirdiğinizi iddia edemezsiniz.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python

pandas ve numpy ile veri işleyebilmek gerekir.

2

ML temelleri

Denetimli öğrenme ve temel algoritmalar bilinmelidir.

3

İstatistik

Dağılım, güven aralığı ve varyans kavramları faydalıdır.

4

Ortam

Jupyter ve scikit-learn kurulu bir Python ortamı gerekir.

Eğitim İçeriği

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

Günün hedefiKatılımcı özellik mühendisliği yapar, uygun algoritmayı seçer ve sızıntısız bir eğitim hattı kurar.

Modül 1

Veri Hazırlığı

Eksik değer ve aykırı değer stratejileri
Kategorik kodlama: one-hot, target encoding
Ölçekleme: StandardScaler, MinMaxScaler
Dengesiz veri: SMOTE ve class_weight
ColumnTransformer ile dönüşüm
Pipeline ile tekrarlanabilirlik

Modül 2

Özellik Mühendisliği

Tarih ve metin türevli özellikler
Etkileşim ve polinom özellikler
Özellik seçimi: filter, wrapper, embedded
Korelasyon ve çoklu doğrusallık
Permutation importance
Boyut indirgeme: PCA

Modül 3

Algoritma Seçimi

Lojistik regresyon ve karar ağaçları
Random Forest ve gradient boosting
XGBoost/LightGBM temel ayarları
Bias-variance dengesi
Baseline model kurma
Eğitim süresi ve maliyet karşılaştırması

Modül 4

Veri Sızıntısı ve Ayrım

Target leakage örnekleri
Train/validation/test oranları
Zaman serisinde TimeSeriesSplit
Gruplu veri ve GroupKFold
Stratified ayrım
Pipeline içinde fit/transform disiplini

Günün hedefiKatılımcı çapraz doğrulama ve hiperparametre ayarı yapar, uygun metriklerle modeli değerlendirip hataları analiz eder.

Modül 1

Çapraz Doğrulama ve Ayar

K-fold ve repeated k-fold
GridSearchCV ve RandomizedSearchCV
Bayesci arama (Optuna) girişi
Nested cross-validation
Erken durdurma
Aşırı öğrenme eğrileri

Modül 2

Sınıflandırma Metrikleri

Confusion matrix, precision, recall
F1 ve F-beta
ROC-AUC ve PR-AUC farkı
Eşik seçimi ve maliyet matrisi
Çok sınıflı makro/mikro ortalama
Kalibrasyon: Platt ve isotonic

Modül 3

Regresyon ve Sıralama Metrikleri

MAE, MSE, RMSE, R²
MAPE ve sMAPE sınırlılıkları
Artık (residual) analizi
Quantile loss ve tahmin aralığı
Sıralama için NDCG
Baseline ile istatistiksel karşılaştırma

Modül 4

Hata Analizi ve Raporlama

Yanlış tahmin segmentasyonu
SHAP ile açıklanabilirlik
Adalet ve alt grup performansı
Veri kayması (drift) izleme
Model kartı hazırlama
Dağıtım öncesi kabul kriterleri

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Sızıntısız hat

Pipeline ile veri sızıntısı olmayan eğitim süreci kurabilirsiniz.

🧩

Çapraz doğrulama

Veri tipine uygun CV stratejisini seçip uygulayabilirsiniz.

⚙️

Hiperparametre ayarı

Grid, random ve Optuna ile sistematik arama yapabilirsiniz.

🔍

Metrik seçimi

Dengesiz veride F1, PR-AUC gibi doğru metrikleri seçebilirsiniz.

🛠️

Eşik optimizasyonu

Maliyet matrisine göre karar eşiğini belirleyebilirsiniz.

📈

Hata analizi

Alt gruplar bazında model hatalarını inceleyebilirsiniz.

🔐

Açıklanabilirlik

SHAP çıktılarını yorumlayıp paydaşlara aktarabilirsiniz.

🚀

Model raporlama

Model kartı ve kabul kriterleriyle sonuçları belgeleyebilirsiniz.

Kimler İçin Uygundur?

Veri bilimciler
ML mühendisleri
model kalitesinden sorumlu analistler için uygundur; temel Python ve scikit-learn deneyimi beklenir

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri bilimciler, ML mühendisleri ve model kalitesinden sorumlu analistler için uygundur; temel Python ve scikit-learn deneyimi beklenir. pandas ve numpy ile veri işleyebilmek gerekir.

Derin öğrenme de var mı?

Odak klasik tablo verisi ve scikit-learn tabanlı modellerdir; doğrulama ilkeleri derin öğrenmeye de uyarlanır.

Zaman serisi doğrulaması işlenir mi?

Evet, TimeSeriesSplit ve gruplu veri için GroupKFold uygulanır.

Hangi araçlar kullanılır?

Python, pandas, scikit-learn, Optuna ve SHAP kullanılır.

Model dağıtımı kapsanıyor mu?

Dağıtım öncesi kabul kriterleri ve drift izleme işlenir; ayrıntılı MLOps ayrı bir konudur.

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

MODEL DEVELOPMENT, VALIDATION, & EVALUATION EĞİTİMİ