Yapay Zeka ile Tahminleme ve Analitik Eğitimi

Eğitim Hakkında

Bu eğitim, finans, perakende ve lojistik alanlarında nakit akışı, talep ve operasyon hacmi tahminleri üreten profesyonellerin istatistiksel ve makine öğrenmesi tabanlı yöntemleri Python ile uygulamasını sağlamak için tasarlanmıştır. Program; zaman serisi analizinden LightGBM ve Prophet modellerine, olasılıksal tahminden model izleme ve sonuçların yönetime sunumuna kadar uçtan uca bir yol sunar.

Neden Bu Eğitim?

Yöntem Yelpazesi. ETS ve ARIMA'dan gradyan artırmalı ağaçlara kadar yöntemleri aynı veri üzerinde karşılaştırarak seçim yapın.

Doğru Değerlendirme. Zaman serisi çapraz doğrulaması ve doğru hata metrikleriyle yanıltıcı başarı sonuçlarından kaçının.

Sektörel Vakalar. Nakit akışı, perakende satış ve lojistik hacmi tahminlerinde bayram ve kampanya etkilerini modelleyin.

“İyi bir tahmin geleceği kusursuz bilmek değil, belirsizliği ölçerek daha iyi hazırlanmayı mümkün kılmaktır.”

Ön Koşullar

Temel Python — Değişken, döngü, fonksiyon ve pandas ile temel veri işleme kavramlarına aşinalık.
Temel İstatistik — Ortalama, varyans, korelasyon ve doğrusal regresyon kavramlarını bilmek.
Çalışma Ortamı — Python 3 ve Jupyter kurulu bir bilgisayar veya Google Colab gibi bulut not defteri erişimi.
İş Bağlamı — Tahmin çıktılarının kullanıldığı planlama, bütçe veya stok süreçlerini tanımak avantajdır.

Eğitim İçeriği

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

Günün hedefiZaman serisi verisini hazırlamak ve bileşenlerine ayırmak, klasik istatistiksel tahmin modellerini kurmak ve tahminleri doğru yöntem ve metriklerle değerlendirmek.

Modül 1

Tahmin Probleminin Tanımlanması

Tahmin ufku, sıklık ve karar bağlamının belirlenmesi
Nokta tahmini ile olasılıksal tahmin arasındaki fark
Finans, perakende ve lojistikte tipik tahmin problemleri
Basit referans modeller: naive, mevsimsel naive, ortalama
Tahmin sürecinde yargısal düzeltmelerin rolü ve riski
Vaka: Hatalı talep tahmininin stok ve nakde etkisi

Modül 2

Zaman Serisi Verisinin Hazırlanması

pandas ile tarih indeksleme, yeniden örnekleme ve birleştirme
Eksik değerler, uç değerler ve yapısal kırılmaların tespiti
Trend, mevsimsellik ve kalıntı bileşenlerine ayrıştırma
Durağanlık, fark alma ve otokorelasyon (ACF, PACF) grafikleri
Enflasyon ve kur etkisinden arındırılmış reel seriler
Laboratuvar: Aylık satış serisinin keşifsel analizi

Modül 3

İstatistiksel Tahmin Modelleri

Üstel düzeltme ailesi ve Holt-Winters yöntemi
ARIMA ve mevsimsel SARIMA modellerinin mantığı
statsmodels ile model kurma ve parametre seçimi
Dışsal değişkenli modeller: SARIMAX ile kampanya etkisi
Nixtla StatsForecast ile çoklu seride hızlı modelleme
Laboratuvar: ETS ve SARIMA modellerinin karşılaştırılması

Modül 4

Tahmin Değerlendirme ve Geriye Dönük Test

Hata metrikleri: MAE, RMSE, MAPE, sMAPE ve MASE
MAPE'in sıfıra yakın değerlerde yanıltıcılığı
Zaman serisi çapraz doğrulaması ve kayan pencere testi
Veri sızıntısını önleme ve doğru eğitim-test ayrımı
Laboratuvar: Referans modele göre geriye dönük test
Günün değerlendirmesi ve makine öğrenmesi gününe köprü

Günün hedefiZaman serileri için özellik mühendisliği yapmak, gradyan artırma ve Prophet modelleri kurmak, çoklu ve hiyerarşik serileri yönetmek ve belirsizliği ölçmek.

Modül 1

Zaman Serileri İçin Özellik Mühendisliği

Gecikme (lag) ve kayan pencere istatistiği özellikleri
Takvim özellikleri: hafta içi, ay sonu, maaş günleri
Türkiye'ye özgü resmi tatil ve kayan bayram etkileri
Fiyat, promosyon ve hava durumu gibi dışsal değişkenler
Gelecekte bilinmeyen değişkenlerden kaynaklı sızıntı riski
Laboratuvar: Günlük mağaza satışı için özellik seti

Modül 2

Gradyan Artırma ve Prophet

LightGBM ve XGBoost ile regresyon tabanlı tahmin
Doğrudan ve özyinelemeli çok adımlı tahmin stratejileri
Prophet ile trend, mevsimsellik ve tatil modellemesi
Nixtla MLForecast ile ölçeklenebilir ML tahmin akışı
Hiperparametre ayarı ve zaman bazlı doğrulama
Laboratuvar: LightGBM, Prophet ve SARIMA yarışması

Modül 3

Çoklu ve Hiyerarşik Seriler

Binlerce ürün ve şube serisinde global modeller
Hiyerarşik tahmin: toplam, bölge, mağaza, ürün düzeyi
Uzlaştırma (reconciliation) yöntemleri ve tutarlılık
Kesintili talep: Croston ve benzeri yaklaşımlar
Yeni ürünler için soğuk başlangıç problemi
Vaka: Perakende zincirinde şube-ürün talep tahmini

Modül 4

Belirsizliğin Ölçülmesi ve Yeni Yaklaşımlar

Tahmin aralıkları ve kantil regresyon
Konformal tahmin ile kalibre edilmiş aralıklar
Pinball kaybı ile olasılıksal tahmin değerlendirmesi
Zaman serisi temel modelleri: Chronos ve TimesFM
Derin öğrenme modellerinin ne zaman tercih edileceği
Günün özeti ve uygulama projesi için veri seçimi

Günün hedefiTahmin modellerini açıklamak ve senaryolarla zenginleştirmek, üretim ortamında izlemek, sonuçları yöneticilere aktarmak ve uçtan uca tahmin projesini sunmak.

Modül 1

Açıklanabilirlik ve Senaryo Analizi

SHAP değerleriyle tahmini etkileyen faktörlerin analizi
Fiyat ve promosyon senaryolarının talebe etkisi
Nakit akışı tahmininde tahsilat ve ödeme davranışları
Tahminden optimizasyona: stok ve kapasite kararları
Tahmin katma değeri (FVA) ile süreç iyileştirme
Laboratuvar: SHAP ile açıklanan talep tahmini

Modül 2

Tahmin Modellerinin Operasyonelleştirilmesi

Tahmin hattı: veri alımı, eğitim, tahmin, yayınlama
MLflow ile deney takibi ve model kaydı
Zamanlanmış yeniden eğitim ve sürüm yönetimi
Veri ve tahmin kayması izleme, uyarı eşikleri
Şampiyon-rakip (champion-challenger) model yaklaşımı
Demo: Tahmin çıktılarının Power BI panosuna aktarımı

Modül 3

Tahmin Sonuçlarının İletilmesi

Belirsizliği yöneticilere anlaşılır biçimde anlatma
Tahmin panosu tasarımı: aralık, sapma ve doğruluk
Satış ve operasyon planlaması (S&OP) sürecine entegrasyon
Üretken YZ ile tahmin yorum ve özet notları hazırlama
Model varsayımları, sınırlar ve dokümantasyon
Uygulama: Proje için yönetici özet sayfası taslağı

Modül 4

Uçtan Uca Tahmin Projesi ve Kapanış

Grup projesi: veri, model, değerlendirme ve öneri
Proje sunumları ve kod incelemesi geri bildirimi
Kurumda tahmin olgunluğunu artırmak için sonraki adımlar
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve Jupyter not defterlerinin paylaşımı
İleri öğrenme kaynakları önerileri ve kapanış

Eğitim Kazanımları

Seri Hazırlığı — Zaman serisi verisini temizleyip bileşenlerine ayırarak modellemeye uygun hale getirebileceksiniz.
İstatistiksel Modeller — ETS, SARIMA ve SARIMAX modellerini Python ile kurup referans modellerle karşılaştırabileceksiniz.
Doğru Değerlendirme — Zaman serisi çapraz doğrulaması ve MASE gibi metriklerle tahmin performansını güvenilir biçimde ölçebileceksiniz.
ML ile Tahmin — Özellik mühendisliği ve LightGBM ile tatil, kampanya ve fiyat etkilerini içeren tahmin modelleri kurabileceksiniz.
Hiyerarşik Tahmin — Ürün, şube ve bölge düzeyindeki binlerce seriyi tutarlı biçimde tahmin edip uzlaştırabileceksiniz.
Belirsizlik Ölçümü — Kantil regresyon ve konformal tahminle karar vericilere kalibre edilmiş tahmin aralıkları sunabileceksiniz.
Operasyonelleştirme — MLflow ile tahmin modellerini izlenebilir, yeniden eğitilebilir ve kaymaya karşı izlenen bir yapıya taşıyabileceksiniz.
İçgörü Aktarımı — Tahmin sonuçlarını belirsizliği ve varsayımlarıyla birlikte planlama süreçlerine anlaşılır biçimde aktaracaksınız.

Kimler İçin Uygundur?

Finansal analistler
talep ve tedarik planlama uzmanları
veri analistleri
iş zekası ekipleri ile perakende ve lojistikte tahmin süreçlerinden sorumlu uzmanlar.

Sıkça Sorulan Sorular

Yapay Zeka ile Tahminleme ve Analitik Eğitimi kimler için uygundur?

Program; finansal analistler, talep ve tedarik planlama uzmanları, veri analistleri, iş zekası ekipleri ile finans, perakende ve lojistikte tahmin süreçlerinden sorumlu profesyoneller için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 3 tam gün ve 12 modülden oluşur. Tüm günler Python ve Jupyter üzerinde uygulamalı laboratuvarlarla ilerler ve son gün uçtan uca tahmin projesi sunulur; yüz yüze veya online olarak verilebilir.

Katılım için Python bilgisi şart mı?

Temel Python ve pandas bilgisi beklenir. Eğitimde kullanılan kodlar hazır not defterleriyle adım adım işlenir; temel istatistik kavramlarına aşinalık da laboratuvarlardan verim almayı kolaylaştırır.

Eğitimde hangi kütüphane ve araçlar kullanılıyor?

pandas, statsmodels, Nixtla StatsForecast ve MLForecast, LightGBM, XGBoost, Prophet, SHAP ve MLflow kullanılır. Chronos ve TimesFM gibi zaman serisi temel modelleri de tanıtılır; tahmin çıktıları Power BI panosuna aktarılır.

Eğitim kurum verisiyle yapılabilir mi, sertifika veriliyor mu?

Evet. Kapalı kurum gruplarında gizlilik gözetilerek anonimleştirilmiş kurum verisiyle proje yürütülebilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır ve not defterleri paylaşılır.

Sertifikalandırma

Bu eğitim Katılım 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

YAPAY ZEKA İLE TAHMİNLEME VE ANALİTİK EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Tahmin Probleminin Tanımlanması

Zaman Serisi Verisinin Hazırlanması

İstatistiksel Tahmin Modelleri

Tahmin Değerlendirme ve Geriye Dönük Test

Zaman Serileri İçin Özellik Mühendisliği

Gradyan Artırma ve Prophet

Çoklu ve Hiyerarşik Seriler

Belirsizliğin Ölçülmesi ve Yeni Yaklaşımlar

Açıklanabilirlik ve Senaryo Analizi

Tahmin Modellerinin Operasyonelleştirilmesi

Tahmin Sonuçlarının İletilmesi

Uçtan Uca Tahmin Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi