Uçtan uca makine öğrenmesi sürecini Python ile adım adım ele alan kapsamlı bir eğitim.
Problem türlerinin seçimi, veri seti hazırlığı, modelleme, değerlendirme ve iyileştirme konuları gerçek örneklerle
işlenir. Regresyon, sınıflandırma, kümeleme, birliktelik kuralları ve pekiştirmeli öğrenmeye giriş yer alır.
Müfredattan Başlıklar
Tanıtım & Veri Analizi Proje Yönetimi — problem tipleri, veri hazırlama
Regresyon — Basit/Çoklu Doğrusal, Polinomsal; SVR, Karar Ağacı, Rastgele Orman
Değerlendirme — hata metrikleri ve yöntemlerin karşılaştırılması
Sınıflandırma — Lojistik Regresyon, KNN, SVM (Kernel Trick), Naive Bayes, Karar Ağacı, Random Forest
Kümeleme — K-Means, Hiyerarşik Kümeleme
Birliktelik Kuralları — Apriori, Eclat
Pekiştirmeli Öğrenme — UCB, Thompson Sampling
Doğal Dil İşleme — temel metin işleme akışları
Derin Öğrenmeye Giriş — CNN’e kısa giriş, boyut indirgeme (PCA vb.)
Model Seçimi & XGBoost — karşılaştırma ve iyileştirme
Kazanımlar
Bir ML problemini uçtan uca kurma: veri temizleme, özellik mühendisliği, modelleme ve değerlendirme.
Doğru algoritma seçimi ve hiperparametre ayarlama ile performans iyileştirme.
Regresyon/sınıflandırma/kümeleme için uygun metrikleri kullanma ve sonuçları yorumlama.
Model seçimi, çapraz doğrulama ve overfitting riskini yönetme.
