Eğitim Planı

• 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
  • Doğrusal regresyon
• 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