Anasayfa / Veri Bilimi Eğitimleri / Python ile Makine Öğrenmesi (Machine Learning) Eğitimi

Python ile Makine Öğrenmesi (Machine Learning) Eğitimi

Makine Öğrenmesi, yapay zeka, derin öğrenme, büyük veri gibi kavramların yaygınlaşmasıyla birlikte kurumların ve şirketlerin bu alanda farkındalıkları artmaya başladı. Belli bir farkındalık seviyesinden sonra artık bu teknoloji ve yeteneklerle işimize ne katabiliriz? sorusunun cevabı aranır oldu. Biz de Veri Bilimi Okulu çatısı altında bu  alandaki yetenek, bilgi, birikim ve tecrübelerimizle Python ile Makine Öğrenmesi Eğitimi açtık. Bu eğitim ile kurumlar ve şirketlerin kısa sürede konu hakkında bilgi  ve beceri sahibi olmasına katkı sağlamayı hedefliyoruz. Eğitime ait 4 günlük taslak bir plan ağaşıdadır. Daha detaylı bilgi için veribilimiokulu@gmail.com e-posta adresinden iletişim kurabilirsiniz.

1. GÜN (Python Giriş, Veri Bilimi Kütüphanelerini Tanıma)

Tanışma, Kursa giriş
Kod Geliştirme Ortamının Kurulması (Farklı bir tercih olmazsa Anaconda veJupyter kullanılır)
Değişkenler ve Veri Türleri
Fonksiyonlar (gömülü, kullanıcı tanımlı, esnek, lambda)
Listeler
Tuples
Sözlük (Dictionary)
Koşullu İfadeler (if else)
Döngüler (for, while)
Sınıflar

Pandas Kütüphanesi

Pandas giriş
Pandas ile veri okuma
Pandas temel dataframe operasyonları

Numpy Kütüphanesi

Numpy giriş
Numpy temel operasyonlar
İndeks
Sekil değiştirme
Kesme

Scipy Kütüphanesi

Scipy giriş

Matplotlib Kütüphanesi

Matplotlib giriş
Çizgi grafik
Saçılma/serpilme diyagramı
Histogram
Bar grafik

Seaborn Kütüphanesi

Bar grafik
Pasta grafik
Diğer grafikler

Scikit-Learn Kütüphanesi

2. GÜN (Makine Öğrenmesine Giriş ve Regresyon)

Makine Öğrenmesi Giriş
Kütüphaneleri Yükleme ve İndirme
Veri Ön İşleme
Kayıp ve Eksik Veriler
Kategorik Değişkenler
Normalizasyon (Feature Scaling)
Veri setini eğitim ve test olarak ayırma
Veri hazırlığı şablonu oluşturma

Regresyon

Basit Lineer Regresyon
Çoklu Lineer Regresyon
Polinom Regresyon
Regresyon Modeli Değerlendirme

3. GÜN (Sınıflandırma ve Kümeleme)

Sınıflandırma

Lojistik Regresyon ile Sınıflandırma
K En Yakın Komşu ile Sınıflandırma
Destek Vektör Makinesi (Support Vector Machine) Sınıflandırma
Naive Bayes ile Sınıflandırma
Karar Ağacı ile Sınıflandırma
Rastgele Orman (Random Forest) ile Sınıflandırma
Sınıflandırma Modeli

Kümeleme

K-Ortalamalar ile Kümeleme
Hiyerarşik Kümeleme

4. GÜN (Boyut İndirgeme, En İyi Model Seçimi, Derin Öğrenme Giriş)

Boyut İndirgeme

Temel Bileşenler Analizi (Principal Component Analysis)
Lineer Diskriminant Analizi
Çekirdek Temel Bileşenler

Model Seçme

K-Fold Cross Validation
Grid Search
En iyi model seçimi

XGBoost Örnek Uygulama

Derin Öğrenme Giriş

Örnek Proje

Hakkında Erkan ŞİRİN

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir