R'da düzenlileştirme ve topluluğun gücünü kullan
R'da aşırı öğrenmeyi kontrol eden ve tahmin gücünü artıran modelleri öğreten ileri eğitim: glmnet ile ridge/lasso/elastic net ve lambda seçimi, bagging ve random forest, gradient boosting ve xgboost, tidymodels/caret ile model akışı, hiperparametre ayarı ve k…
R'da regularizasyon ve ensemble yöntemlerinin uygulamalı modellenmesi
Bu ileri seviye eğitim, R ekosisteminde aşırı öğrenmeyi (overfitting) kontrol eden düzenlileştirilmiş modelleri ve tahmin gücünü artıran topluluk (ensemble) yöntemlerini öğretir. glmnet ile ridge, lasso ve elastic net regresyonu, ceza parametresi lambda ve çapraz doğrulamayla seçimi; ardından bagging, random forest, gradient boosting ve xgboost ile topluluk modelleri işlenir. caret/tidymodels ile model akışı, hiperparametre ayarı, değişken önemi, önyargı-varyans dengesi ve model karşılaştırma vurgulanır.
3 Gün. Her gün dört modül; katılımcılar regularizasyondan boosting'e ve model akışına ilerler.
İleri Seviye — R'da düzenlileştirilmiş (ridge/lasso/elastic net) ve topluluk (ensemble) modelleri kurma.
Katılımcılar gerçek veri kümelerinde glmnet ve xgboost modellerini kurup çapraz doğrulamayla karşılaştırarak öğrenir.
Ridge/lasso ile modeli düzenlileştirip genellemeyi iyileştirirsiniz.
Random forest ve boosting ile tahmin doğruluğunu artırırsınız.
tidymodels/caret ile tekrarlanabilir bir modelleme akışı kurarsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
R ile veri işleme ve temel modelleme (lm/glm) deneyimi gerekir.
Regresyon, varyans ve çapraz doğrulama kavramlarına aşinalık faydalıdır.
R/RStudio ile glmnet, randomForest, xgboost, caret/tidymodels paketleri gerekir.
Tahmin problemi içeren bir veri kümesi alıştırmaları zenginleştirir.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Ridge, lasso ve elastic net modelleri glmnet ile kurarsınız.
Çapraz doğrulamayla ceza parametresini seçersiniz.
Lasso ile ilgisiz değişkenleri elersiniz.
Bagging ve random forest modellerini ayarlarsınız.
XGBoost ile güçlü boosting modelleri eğitirsiniz.
Importance ve SHAP ile modeli açıklarsınız.
tidymodels/caret ile tekrarlanabilir akış kurarsınız.
Modelleri çapraz doğrulamayla kıyaslayıp seçersiniz.
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.
Gereksinim analizi, DFD ile süreç modelleme, ER ve normalizasyonla veri modelleme ve UML ile sistem tasarımını uçtan uca vaka üzerinde öğrenin.
Detayları Gör →
Python ile zaman serisi modelleme: durağanlık ve ADF testi, ACF/PACF, ARIMA ve SARIMA, Prophet ve backtesting ile öngörü ve hata metriklerini öğrenin.
Detayları Gör →
Veri hazırlamadan KPI tanımı, görselleştirme, pano tasarımı ve veri hikayesine kadar etkili analiz ve raporlamayı Power BI/Excel ile uygulamalı öğrenin.
Detayları Gör →
Python ile istatistiksel modelleme: hipotez testi (t, ki-kare, ANOVA), doğrusal ve lojistik regresyon, çapraz doğrulama ve ROC-AUC değerlendirmeyi öğrenin.
Detayları Gör →
Microsoft Access ile tablo tasarımı, ilişkiler ve referans bütünlüğü, seçme ve eylem sorguları, formlar ve raporlarla veriyi düzene sokmayı öğrenin.
Detayları Gör →