Python ile Uygulamalı Makine Öğrenmesi Eğitimi

Bu eğitim kimler için?

• Python'a geçen veri analistleri, raporlama ve iş zekâsı uzmanları: Veriyi Python ile hazırlamak ve Excel'in ötesinde tahmin modeli kurmak için.

• Veri bilimine başlayan ekip üyeleri: Makine öğrenmesi iş akışını doğru kurmak için: veri hazırlığı, doğrulama, metrik seçimi ve modeli kaydetme.

• Yazılım geliştiriciler ve mühendisler: Model eğitip değerlendirmeyi öğrenmek ve derin öğrenmeye geçmek için.

Ön koşul

• Temel düzeyde Python: fonksiyon, liste ve sözlük, sınıf, CSV ve JSON okuma, sanal ortam ve pip ile paket kurma.
• Lise düzeyi istatistik: ortalama, medyan, standart sapma, dağılım ve korelasyon.
• Temel SQL önerilir, şart değildir. pandas bilgisi gerekmez.
• Eğitimden önce kurumunuzun ortamında lab hazırlığı yapılır: Python 3.14 ya da 3.13 kurulabiliyor, PyPI ve PyTorch'un paket deposu erişilebiliyor.

Ekibiniz neler kazanır?

• pandas ile CSV ve Parquet dosyalarını okur, süzer, gruplar ve birleştirir; birleştirmeden sonra satır sayısını ve toplamları doğrular.
• Eksik, tekrar eden ve hatalı tipli kayıtları bulur, pandas 3'e uygun kodla temizler; tarih ve kategorik sütunları dönüştürür.
• Keşifsel analiz ve grafiklerle veriyi inceler, bir iş sorusunu regresyon ya da sınıflandırma problemine çevirir ve taban çizgisi kurar.
• scikit-learn ile regresyon ve sınıflandırma modeli eğitir; iş maliyetine uygun metriği ve karar eşiğini seçer.
• Ön işlemeyi ve modeli Pipeline ile birleştirir, çapraz doğrulamayla veri sızıntısı olmadan model seçer.
• Doğrusal, ağaç tabanlı ve topluluk modellerini karşılaştırır; aşırı öğrenmeyi teşhis edip düzenlileştirmeyle giderir.
• PyTorch ile küçük bir sinir ağı eğitir ve bir scikit-learn modeliyle karşılaştırır; CNN ve RNN'in hangi veriye uygun olduğunu açıklar.
• Modeli sürüm bilgisi ve model kartıyla güvenle kaydeder; yapay zekâ asistanının önerdiği ML kodunu sızıntı, metrik ve sürüm uyumu açısından denetler.

Makine öğrenmesi nedir?

Python ile veri analizi ve veri hazırlama, NumPy ve Pandas kullanarak veri işleme, Veri temizleme ve feature engineering uygulamaları, Temel makine öğrenimi algoritmalarıyla model geliştirme (regresyon ve sınıflandırma), Scikit-Learn ile model eğitme ve tahmin yapma, Model performansını değerlendirme, Overfitting ve underfitting problemlerini anlama ve yorumlama, Gerçek veri setleriyle makine öğrenimi pipeline’ı oluşturma.

1. 01

   pandas ile veriye giriş: okuma, seçme, süzme

   3 saat

   JupyterLab ve NumPy'a kısa girişten sonra sentetik satış verisi CSV ve Parquet'ten okunur ve iş soruları seçme ve süzmeyle yanıtlanır.

2. 02

   pandas ile veri hazırlama: temizlik, gruplama, birleştirme

   3 saat

   Müşteri ve sipariş tabloları birleştirilip temizlenir; satır sayısı ve toplam mutabakatıyla doğrulanmış bir modelleme tablosu üretilir.

3. 03

   Keşifsel analiz, görselleştirme ve ML problemini kurmak

   3 saat

   matplotlib grafikleriyle bulgular çıkarılır, sızıntı riski taşıyan sütunlar işaretlenir, veri bölünür ve taban çizgisi hesaplanır.

4. 04

   scikit-learn ile regresyon; aşırı ve eksik öğrenme

   3 saat

   Aylık harcama tahmininde doğrusal regresyon ve Ridge karşılaştırılır; aşırı öğrenme gösterilip düzenlileştirmeyle giderilir.

5. 05

   Sınıflandırma ve doğru metriği seçmek

   3 saat

   Abonelik kaybı tahmininde lojistik regresyon ve k-en yakın komşu kurulur, karar eşiği maliyet tablosuna göre seçilir.

6. 06

   Özellik mühendisliği, Pipeline ve sızıntısız model seçimi

   3 saat

   Sızdıran bir notebook ColumnTransformer, Pipeline ve çapraz doğrulamayla düzeltilir; yapay zekânın ürettiği ML kodu kontrol listesiyle denetlenir.

7. 07

   Ağaç tabanlı ve topluluk yöntemleri

   3 saat

   Lojistik regresyon, rastgele orman ve HistGradientBoosting aynı doğrulama düzeninde karşılaştırılır; en etkili özellikler permutation importance ile yorumlanır.

8. 08

   PyTorch ile derin öğrenmeye giriş

   3 saat

   Modelleme tablosunda iki katmanlı bir sinir ağı CPU'da eğitilip HistGradientBoosting ile karşılaştırılır; eğitmen hazır bir CNN'i gösterir.

9. 09

   Modeli kaydetmek, MLOps'a bakış ve bitirme

   3 saat

   Model skops ile kaydedilip temiz bir çekirdekte yeniden yüklenir, model kartı doldurulur ve bitirme çalışmaları sunulur.

Uygulama ve şirketinize göre uyarlama

Format ve planlama

Eğitim biçimi

Canlı online, eğitmen eşliğinde

Grup büyüklüğü

5–15 kişilik kapalı gruplar

Süre

27 saat

Takvim

Şirketinizin planına göre

Bu eğitim şirketinize özel bir takvimle planlanır. Teklif talebinizde tercih ettiğiniz dönemi belirtebilirsiniz.

Sık sorulan sorular