Veri Bilimine Giriş
- Veri bilimine giriş
- Keşif tabanlı veri bilimi
- Temel veri türleri: Nominal değerler, ikili değerler, sıralı değerler, sayı değerleri, aralık değerleri, vb.
- Diğer veri türleri: zaman serileri, yazı, çizge, multimedya, coğrafi
- Baştan sona veri bilimi problem çözme sürecine genel bakış:
- Çalışmanın ana amacını belirlemek
- İş problemini veri problemine dönüştürmek
- Veri kaynaklarının belirlenmesi, verinin toplanması ve saklanması
- Verinin incelenmesi ve veri kalitesi kontrolü
- Veri önişleme adımları
- Veriden model oluşturmak, yapay öğrenme modeli ise öğrenmek
- Model sonuçlarını değerlendirmek ve görselleştirmek
- Modelin yürürlüğe alınması ve çalışmanın şirket performansına etkilerini belirlemek
Veri Bilimi için Temel İstatistik
- Veri kümeleri istatiksel ve görsel olarak nasıl özetlenir?
- Veri kümelerindeki eğilimler ve aykırı değerler nasıl bulunur?
- Değişkenler arasındaki ilişkiler nasıl modellenir?
- Eksik veriyle nasıl başa çıkılır?
- Tek ve çok değişkenli regresyon nasıl yapılır? Ne işe yarar?
- Anlamlı değişkenler nasıl seçilir?
Python’da Veri İşlemeye Giriş 1
- Python programlama diline hızlı bir giriş
- Temel veri yapıları
- İfadeler, koşutlar, döngüler
- Döküman girdi/çıktı I/O
- Programlama egzersizleri
Python’da Veri İşlemeye Giriş 2
- numpy kütüphanesine giriş, “array” veri yapısı ve temel fonksiyonları
- matplotlib ve seaborn kütüphaneleri ile görselleştirme
- pandas kütüphanesine giriş, “DataFrame” veri yapısı ve zaman serileri
- Veri yükleme, kullanma ve görselleştirme örnekleri
Yapay Öğrenmeye Giriş 1
- Yapay öğrenme nedir?
- Gözetimli, yarı-gözetimli ve gözetimsiz öğrenme nedir?
- Sınıflandırma, regresyon, öbekleme, boyut azaltma ve olağandışılık kestirimi ne demektir?
- Genelleme ve model kapasitesi nedir?
- Modellerin eğitimi için veriler nasıl bölünmelidir? Eğitim kümesi, geçerleme kümesi ve test kümesi ne demektir?
- Regresyon yöntemleri
- Sınıflandırma yöntemleri
- Lojistik regresyon
- Karar ağaçları
Yapay Öğrenmeye Giriş 2
- Destek vektör makineleri
- Öznitelik çıkarma yöntemleri
- Öznitelik seçimi yöntemleri
- Model birleştirme yöntemleri
- Boyut azaltma yöntemleri
- Temel bileşenler analizi
- Doğrusal ayırtaç analizi
- Öbekleme yöntemleri
- K-ortalama öbekleme
- Hiyerarşik öbekleme
Yapay Öğrenmeye Giriş 3
- Derin öğrenmeye giriş
- Derin öğrenmenin başarısı nereden gelmektedir? Ne gibi durumlarda yetersiz kalır?
- Derin öğrenme modelleri nasıl eğitilir? (geri yayılım algoritması vb.)
- Özel ağ mimarileri nelerdir?
- MLP, CNN, RNN, LSTM ve GRU modelleri
- Derin öğrenme modelindeki parametreler
- Aktivasyon fonksiyonları
- Katmanlardaki nöron sayıları
- Düzenlileştirme yöntemleri
Python’la Yapay Öğrenme Uygulamaları 1
- Scikit-learn kütüphanesine giriş
- Doğrusal regresyon
- Lojistik regresyon
- Karar ağaçları
- Model ve hiper-parametre seçme yöntemleri
- Destek vektör makineleri
- Öznitelik çıkarma yöntemleri
- Öznitelik seçimi yöntemleri
Python’la Yapay Öğrenme Uygulamaları 2
- Model birleştirme yöntemleri
- Ağaç tabanlı modeller
- Boyut azaltma yöntemleri
- Temel bileşenler analizi
- Doğrusal ayırtaç analizi
- Öbekleme yöntemleri
- K-ortalama öbekleme
- Hiyerarşik öbekleme
Python’la Yapay Öğrenme Uygulamaları 3
- tensorflow ve keras kütüphanelerine giriş
- MLP modelleri
- CNN modelleri
- RNN modelleri
- LSTM ve GRU modelleri