Anasayfa / Makine Öğrenmesi (Machine Learning) / 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 5 günlük taslak bir plan aşağıdadır. Daha detaylı bilgi için 0506 543 2731 numaralı telefondan veya veribilimiokulu@gmail.com e-posta adresinden “Python ile Makine Öğrenmesi Eğitimi” konu başlığı ile iletişim kurabilirsiniz.

1. GÜN (Python Giriş)

  • Tanışma, Kursa giriş
  • Kod geliştirme ortamının kurulması (Python 3.6, ilgili paketler, virtual env vb.)
  • Python’ı tanıma, python shell, .py uzantılı programların komut satırından çalıştırılması
  • Değişkenler ve veri türleri (variables and data types)
  • Tırnak kullanımı ve kaçışlar (quotes and escape
  • Kullanıcıdan bilgi almak (user input)
  • Çıktı formatlama (print format)
  • Koşullu ifadeler (Conditionals – if, elif,else)
  • İşleçler (Operators)
  • Döngüler (Loops – for, while)
  • Dosya işlemleri (File Operations)
  • Listeler (Lists), Demetler (Tuples), Sözlükler (Dictionaries), Kümeler (Sets)
  • Liste metodları (append, pop, insert vb.)
  • Fonksiyonlar (functions)
  • Modüller (Modules)
  • Sınıf kavramı ve nesne yönelimli programlama mantığı (Class and OOP)
  • Hatalar

2. GÜN (Veri Analizi ve Görselleştirme)

Pandas Kütüphanesi

  • Pandas temel kavramlar
  • Pandas ile veri okuma, sütun isimlendirme
  • Pandas ile sütun ve satır silme
  • Pandas dataframe sıralama ve filtreleme
  • Excel okuma, işlenmiş veriyi diske yazma
  • Gruplama ve kümeleme (groupby, aggragation)
  • Null kontrolü, boşluk doldurma, indeksler ile seçim yapma, tür dönüşümü
  • String operasyonları: contains, startswith, replace vb., gelişmiş filtreleme
  • Tarih-saat ve indeks parse date
  • Pandas dataframe union ve join
  • Python ile PostgreSQL veri tabanına bağlanma veri okuma
  • Pandas ile sql benzeri sorgular nasıl yapılır?

Numpy Kütüphanesi

  • Numpy giriş, matris oluşturma, elemanlara erişim, reshape, transpoze
  • Numpy kesit alma, güncelleme, filtreleme, stack, ravel
  • Numpy matris eleman bazlı çarpma, bölme, toplama, çıkarma,
  • Numpy matris veri türünü değiştirme, iki matrisin çarpımı (dot product)
  • Numpy matris min, max, sum, scaler çarpım

Matplotlib ve Seaborn ile Görselleştirme

  • Matplotlib giriş
  • Matplotlib Saçılma/serpilme diyagramı (scatterplot)
  • Matplotlib histogram, optimal bins değerini bulma
  • Matplotlib kutu diyagramı (boxplot)
  • Matplotlib bar grafik (barplot)
  • Matplotlib pasta grafik (piechart)
  • Seaborn saçılma diyagramı (scatterplot)
  • Seaborn çizgi grafik (linechart)
  • Seaborn bar grafik (barchart)
  • Seaborn pairplot
  • Plotly çizgi grafik
  • Plotly saçılma diyagramı
  • Plotly bar grafik

Scikit-Learn Kütüphanesi

3. GÜN (Makine Öğrenmesine Giriş ve Regresyon)

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

Regresyon

  • Basit Lineer Regresyon
  • Çoklu Lineer Regresyon
  • Doğrusal Olmayan Regresyon (Polinom Regresyon)
  • Regresyon Modeli Değerlendirme

4. 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 Değerlendirme
  • XGBoost ile Sınıflandırma

Kümeleme

  • K-Ortalamalar ile Kümeleme
  • Hiyerarşik Kümeleme

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

Boyut İndirgeme

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

Model Seçme

  • K-Fold Cross Validation
  • Grid Search ve Randomized GridSearch
  • Hyperparameter Tuning – En iyi model seçimi

Derin Öğrenme Giriş

  • Derin öğrenme teori
  • Tensorflow temel
  • Keras ile ANN
  • Keras ile CNN

Bitirme Projesi – Kaggle yarışmasına sonuçların yüklenmesi

Ön Gereksinimler:

  1. Uygulama için her bir kursiyerde en az 6 GB RAM, en az 4 çekirdek işlemci ve 40 GB disk alanı bulunan bilgisayar olması gereklidir.
  2. Kurstan daha iyi verim alınabilmesi için katılımcıların temel seviyede programlama bilgisine sahip olmaları tavsiye edilir.
  3. Kurs esnasında kullanılan tüm ders notları ve kodlar dijital olarak katılımcıların erişimine açılır.
  4. Fiyatlandırma eğitim ortamının kim tarafından sağlanacağına göre farklılık gösterebilir.
  5. Sınıf içi eğitimler ortala 10 öğrenci ile icra edilir. Uygulamalı bir eğitim olduğu için kalabalık sınıflarda istenen verim ve fayda alınamamaktadır.

Hakkında Veri Bilimi OKULU

GÖZ ATMAK İSTEYEBİLİRSİNİZ

Python ile Veri Bilimi Çalışma Ortamı Kurmak (Jupyter ve Paket Kurulumu)

Merhaba bu yazımızda veri bilimine yeni başlayanlar için başlangıç çalışma ortamını oluşturacağız. Amacımız jupyter notebook …

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir