Büyük veriden örüntü ve bilgi çıkarın
Veri madenciliği: KDD süreci ve ön işleme, sınıflandırma (karar ağacı/Naive Bayes/k-NN/SVM) ve değerlendirme, kümeleme (k-means/hiyerarşik/DBSCAN), Apriori/FP-Growth birliktelik kuralları ve anomali tespiti Python ile uygulamalı işlenir.
Örüntü keşfi için veri madenciliği teknikleri
Bu eğitim, büyük veri kümelerinden anlamlı örüntü ve bilgi çıkarmayı sağlayan veri madenciliği tekniklerini uygulamalı öğretir. Veri madenciliği süreci (KDD), veri ön işleme (temizleme, dönüşüm, indirgeme, ayrıklaştırma) ve özellik seçimi ele alınır. Sınıflandırma (karar ağaçları, Naive Bayes, k-NN, SVM sezgisi) ve değerlendirme (karışıklık matrisi, precision/recall, ROC) uygulanır. Kümeleme (k-means, hiyerarşik, DBSCAN) ve küme geçerliliği işlenir. Birliktelik kuralı madenciliği (Apriori, FP-Growth, destek/güven/lift) ile sepet analizi; anomali/aykırı değer tespiti ve ardışık örüntü madenciliği gösterilir. Aşırı uyum, model yorumlanabilirliği ve sonuçların iş değerine bağlanması kapsanır. Örnekler Python (scikit-learn, mlxtend) ile gerçek veri setleri üzerinde kurgulanır.
4 Gün. Her gün dört modül; her teknik Python ile gerçek veri setleri üzerinde uygulanır.
Orta Seviye — Veri madenciliği: sınıflandırma, kümeleme, birliktelik kuralları ve anomali tespiti.
Python (scikit-learn, mlxtend) ile gerçek veri setleri üzerinde sınıflandırma, kümeleme ve kural madenciliği uygulaması.
Veriden gözle görülmeyen örüntü ve ilişkileri çıkarırsınız.
Sınıflandırma, kümeleme ve kural madenciliğini birlikte öğrenirsiniz.
Sepet analizi ve segmentasyonu iş kararına bağlarsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Olasılık, dağılım ve ortalama kavramı faydalıdır.
pandas ile temel veri işleme avantaj sağlar.
Değişken türleri ve veri tablosu kavramı yardımcı olur.
Python, scikit-learn ve mlxtend kurulu çalışma ortamı.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Veri madenciliği sürecini ve görev türlerini uygularsınız.
Temizleme, ölçekleme ve ayrıklaştırmayla veriyi hazırlarsınız.
Karar ağacı, Naive Bayes ve k-NN modelleri kurarsınız.
Karışıklık matrisi ve ROC-AUC ile model ölçersiniz.
k-means, hiyerarşik ve DBSCAN ile segment çıkarırsınız.
Apriori/FP-Growth ile sepet analizi kuralları üretirsiniz.
İstatistiksel ve Isolation Forest ile aykırılık tespit edersiniz.
Uçtan uca bir madencilik projesini iş değerine bağlarsınız.
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.
Microsoft Access ile tablo tasarımı, ilişkiler ve referans bütünlüğü, seçme ve eylem sorguları, formlar ve raporlarla veriyi düzene sokmayı öğrenin.
Detayları Gör →
grep, awk, sed, csvkit, jq ve curl ile dosyalardan ve API'lerden veriye komut satırında erişip süzme, dönüştürme ve otomasyonu uygulamalı öğrenin.
Detayları Gör →
EF Core'da LINQ-SQL çevirisi, yükleme stratejileri, N+1 ve performans, AsNoTracking, optimistic concurrency ve ileri modellemeyi uygulamalı öğrenin.
Detayları Gör →
İleri veri modelleme: normalizasyon/denormalizasyon, yıldız şema ve SCD, Data Vault 2.0, NoSQL ve lakehouse tasarımıyla iş yüküne uygun model kurun.
Detayları Gör →
Veri boru hatlarında güvenilirlik: gözlemlenebilirlik, kalite testleri, veri sözleşmeleri, SLO, anomali tespiti ve olay yönetimini uygulamalı öğrenin.
Detayları Gör →