MACHINE LEARNING EĞİTİMİ
Machine Learning Eğitimi, veriden tahmin modeli üretmeyi tek bir komut olmaktan çıkarıp uçtan uca bir sürece dönüştürmeyi öğretir. Katılımcılar, problemi doğru tanımlamayı, model seçmeyi ve sonuçları doğru metriklerle değerlendirmeyi öğrenir.
Bir modelin başarısı, çoğu zaman algoritmadan önce veri hazırlığı ve değerlendirme yönteminde belirlenir. Katılımcılar bu eğitimde model geliştirmeyi tekrarlanabilir bir pipeline içinde ele almayı uygular; konular güncel scikit-learn kullanıcı rehberi temel alınarak işlenir.
Machine Learning eğitimini şirketinize özel planlayalım. 0212 951 0608 · Teklif isteyin
Katılımcı Profili
Bu eğitim, ML'i "model fit et" cümlesinden alıp uçtan uca bir pipeline kurmak isteyen rollere yöneliktir:
- Veri Bilimciler: ML modellerini deneyen ve değerlendiren roller
- ML Mühendisleri: Model'i production'a çıkaran ekipler
- Veri Analistleri: ML disiplinine geçiş yapan analistler
- Backend Mühendisleri: ML-powered feature geliştiren roller
- Araştırma Mühendisleri: Akademik altyapıyı endüstriye taşıyan ekipler
Ön Gereklilikler
Bu eğitime katılım için aşağıdaki ön bilgiler önerilir:
- Python ile temel programlama (NumPy, pandas) deneyimi
- İstatistik ve olasılık kavramlarına temel aşinalık
- Doğrusal cebir ve kalkülüs temellerine giriş seviyesi bilgi
- Excel veya SQL ile veriyle çalışma deneyimi
- Jupyter Notebook veya VS Code Notebook kullanım deneyimi
Süresi ve Tarihi
Süre: 4 gün. Bu süre standart program içindir; ek modüllere ve hedefe göre süre özelleştirilebilir.
Eğitim tarihleri ve saatleri, ekibinizin uygunluğuna göre birlikte planlanır.
Kazanımlar
Programın sonunda katılımcı, ML'i "model fit et" cümlesinden alıp uçtan uca bir pipeline kurar:
- Supervised, unsupervised ve reinforcement learning arasında karar verir
- Bias-variance trade-off ile underfitting ve overfitting'i tespit eder
- Cross-validation'ı K-fold, stratified ve time-series biçiminde uygular
- Feature engineering: scaling, encoding ve seçim yöntemlerini ürüne taşır
- Linear, Tree-based, SVM, XGBoost ve LightGBM arasında model seçer
- Accuracy, precision, recall, F1, AUC ve RMSE arasında metrik seçimini gerekçeli yapar
- scikit-learn pipeline ve MLflow ile experiment tracking kurar
Machine Learning Eğitimi Konuları
1. Makine Öğrenmesi - Supervised, Unsupervised, Reinforcement
- Supervised: classification ve regression
- Unsupervised: clustering ve association
- Reinforcement: agent, environment, reward
- Semi-supervised ve self-supervised yaklaşımlar
- Resmi kaynak: scikit-learn kullanıcı rehberi
2. Veri Hazırlama ve Feature Engineering
- Eksik veri stratejileri: silme, doldurma, imputation
- Outlier tespiti: IQR, Z-score, isolation forest
- Encoding: one-hot, label, target encoding
- Scaling: StandardScaler, MinMaxScaler, RobustScaler
- Feature extraction: polynomial, interaction, datetime
3. Linear Regression
- Ordinary Least Squares (OLS) yöntemi
- Ridge, Lasso, Elastic Net regularization
- Multicollinearity ve VIF
- R², adjusted R², RMSE metrikleri
- Residual plot ile model değerlendirme
4. Logistic Regression
- Sigmoid fonksiyonu ve odds ratio
- Binary, multinomial, ordinal logistic
- Decision boundary ve threshold
- Cross-entropy loss
5. Decision Tree ve Random Forest
- Entropy, Gini impurity, information gain
- Pre-pruning ve post-pruning
- Random Forest ve bagging
- Out-of-bag error estimate
- Feature importance hesabı
6. Gradient Boosting - XGBoost, LightGBM, CatBoost
- Gradient boosting algoritması
- XGBoost ve regularization
- LightGBM ve leaf-wise growth
- CatBoost ve categorical handling
- Hyperparameter: learning_rate, max_depth, n_estimators
7. SVM (Support Vector Machine)
- Hyperplane ve margin
- Kernel trick: linear, polynomial, RBF
- C parametresi ve trade-off
- SVM ile classification ve regression (SVR)
8. KNN ve Naive Bayes
- K-Nearest Neighbors algoritması
- Distance metric: Euclidean, Manhattan, Cosine
- Naive Bayes varsayımı ve türleri
- Lazy vs eager learning
9. Clustering - K-Means, DBSCAN, Hierarchical
- K-Means ve centroid initialization
- Elbow method, silhouette score
- DBSCAN ve density-based
- Hierarchical: agglomerative ve divisive
- Gaussian Mixture Model (GMM)
10. Dimensionality Reduction - PCA, t-SNE, UMAP
- Principal Component Analysis (PCA)
- Eigenvalue, eigenvector ve variance explained
- t-SNE: nonlinear, görselleştirme odaklı
- UMAP: hızlı ve global yapıyı koruyan
- Feature selection vs extraction
11. Cross-Validation ve Hyperparameter Tuning
- K-fold ve stratified k-fold CV
- Train-validation-test split
- GridSearchCV ve RandomizedSearchCV
- Bayesian optimization: Optuna, Hyperopt
- Nested CV ile unbiased estimation
12. Bias-Variance Trade-off
- Underfitting ve high bias
- Overfitting ve high variance
- Learning curve okuma
- Regularization ile dengeleme
13. Classification Metrikleri
- Accuracy, precision, recall, F1
- Confusion matrix yorumlama
- Macro, micro, weighted average
- Multi-class ve multi-label metrikler
14. ROC-AUC ve Precision-Recall
- ROC curve ve AUC değeri
- Precision-Recall curve
- Threshold optimization
- Cost-sensitive learning
15. Imbalanced Data - SMOTE, Class Weight
- Imbalanced classification problemi
- Over-sampling: SMOTE, ADASYN
- Under-sampling: random, Tomek
- Class weight ve sample weight
- Stratified sampling
16. scikit-learn Pipeline
- Pipeline ile chain transformer + estimator
- ColumnTransformer ile heterojen veri
- Custom transformer (BaseEstimator, TransformerMixin)
- Pipeline ile data leakage önleme
17. Feature Importance ve SHAP
- Permutation importance
- SHAP (SHapley Additive exPlanations)
- LIME ile lokal açıklama
- Partial Dependence Plot (PDP)
18. Model Deployment - Pickle, ONNX
- Pickle ve joblib ile Python serileştirme
- ONNX ile cross-framework export
- FastAPI ile model serving
- BentoML ile production-ready packaging
19. MLOps ve Model Versioning
- MLflow ile experiment tracking
- DVC ile data versioning
- Model registry ve staging
- Feature store: Feast, Tecton
- Model monitoring ve drift detection
20. AutoML Yaklaşımları
- Auto-sklearn, TPOT, H2O AutoML
- Neural Architecture Search (NAS)
- AutoML ne zaman tercih edilir
- Manuel ML vs AutoML trade-off
MACHINE LEARNING EĞİTİMİ ile İlgili
Sıkça Sorulan Sorular ve Cevapları
Machine Learning eğitimini kurumumuza özel planlayabilir miyiz?
Evet. Machine Learning eğitiminin içeriği ve süresi sabit değildir; firmanızın öncelikleri ve katılımcı profiliniz doğrultusunda programı birlikte kurgular, tamamen kurumunuza özel olarak ilerleriz.
Machine Learning eğitimini hangi şehirlerde veriyorsunuz?
Machine Learning eğitimini kurumunuzun bulunduğu ilde yerinde veriyoruz; İstanbul, Ankara ve İzmir başta olmak üzere Türkiye'nin her iline gelmekteyiz. İsteyen firmalara eğitim canlı online olarak da sunulur.
Machine Learning eğitimini online veriyor musunuz?
Evet, Machine Learning eğitimini canlı online olarak da veriyoruz; birlikte uygulamalı oturumlarla Türkiye'nin neresinde olursanız olun katılabilirsiniz. Program kurumunuzun ihtiyacına göre belirlenir.
Machine Learning eğitimi çalışanlarımızın seviyesine göre uyarlanıyor mu?
Evet. Machine Learning eğitiminin başında katılımcıların seviyesi değerlendirilir ve içerik buna göre ayarlanır; sıfırdan başlanabileceği gibi ileri konulara da odaklanılabilir.
Machine Learning eğitimi projemiz üzerinden ilerleyebilir mi?
Eğitim, kendi veri setiniz veya kullanım senaryonuz üzerinden ilerleyebilir. Teklif öncesinde projenizi bize iletmeniz ya da tarif etmeniz durumunda eğitimi gerçek probleminize göre kurgularız.
Machine Learning eğitmenleriniz hakkında bilgi alabilir miyiz?
Eğitmenlerimiz yapay zeka ve veri bilimi alanında çalışan, Machine Learning ile gerçek projeler yürütmüş uzmanlardır. İhtiyacınıza ve hedefinize en uygun eğitmeni sizinle eşleştiriyoruz.
Katılımcılarımıza sertifika veriliyor mu?
Evet. Eğitim sonunda katılımcılarımıza katılım sertifikası veriyoruz; sertifikada eğitimin kapsamı ve katılımcı bilgileri yer alır, kurumunuzun tercihine göre dijital ya da basılı olarak hazırlanır.
Machine Learning eğitiminin fiyatı ne kadar?
Sabit bir Machine Learning eğitimi ücreti yoktur; fiyat, katılımcı sayısı, kapsam ve süreye göre belirlenir. İhtiyacınızı dinleyip kurumunuza özel bir teklif sunarız.
Ekip hedeflerinizi paylaşın; size uygun eğitim planını birlikte netleştirelim.
0212 951 0608 · Kurumsal teklif
