Açıklama
Bankacılıkta Yapay Zeka Kullanımı Eğitimi, yapay zeka ve makine öğrenmesinin bankacılık uygulamalarını veri analizi, Python ve model geliştirme adımlarıyla ele alan 5 günlük online bir programdır. Katılımcılar finansal veri setlerini hazırlama, analiz etme ve model sonuçlarını değerlendirme başlıklarını inceler.
Eğitim; yapay zeka kavramlarını finans sektöründeki örneklerle ilişkilendirir, veri bilimi iş sürecini ve finansal veri üzerinde uygulama geliştirmeyi kapsar. Müfredattaki regresyon, sınıflandırma ve kümeleme konuları aşağıda ayrıntılı olarak listelenmiştir.
Eğitimin amacı
- Yapay zeka ve makine öğrenmesinin temel kavramlarını ve bankacılıktaki kullanım alanlarını tanımak.
- Finansal veri analizi, veri hazırlama ve model geliştirme sürecini örneklerle incelemek.
- Python ve makine öğrenmesi araçlarını bankacılık verileri üzerinde uygulama bağlamında değerlendirmek.
Kimler katılmalı?
- Bankacılık sektörü profesyonelleri
- Veri bilimciler ve analistler
- Bilgi teknolojileri ve yazılım geliştirme ekipleri
- Bankacılıkta yenilikçi çözümler arayan yöneticiler
Eğitim İçeriği
Yapay Zeka Temelleri
- Yapay Zeka Nedir?
- Yapay Zeka Uygulama Alanları Nelerdir? Gerçek Hayat Örnekleri.
- Yapay Zekanın Finans Sektöründeki Uygulamaları Nelerdir?
- Yapay Zekanın Geleceği ve Yaklaşımları Nelerdir?
- Yapay Zeka ve Uygulamalarına Genel Bakış
- Yapay Zeka Alt Dalları
- Makine Öğrenmesi
- Makine Öğrenmesi ile Geleneksel Programlama Arasındaki Farklar
- Makine Öğrenmesi Türleri Nelerdir?
- Makine Öğrenmesinin Finans Sektöründeki Uygulama Örnekleri
- Derin Öğrenme
- Makine Öğrenmesi ile Derin Öğrenme Arasındaki Farklar
- Derin Öğrenmenin Finans Sektöründeki Uygulama Örnekleri
Veri Biliminin Temelleri
- Veri Analizi Nedir? Veri Analizi ile Neler Yapılabilir?
- Veri Bilimi Nedir?
- Veri Biliminin Unsurları Nelerdir?
- Veriden Faydalı Bilgi Çıkarma Aşamaları Nasıl İşler? (Veri Analitiği)
- Tanımlayıcı Analitik (Descriptive Analytics)
- Teşhis Edici Analitik (Diagnostic Analytics)
- Tahmine Dayalı Analitik (Predictive Analytics)
- Öngörüye Dayalı Analitik (Prescriptive Analytics)
- Veri Analitiğinin Finans Sektöründeki Uygulama Örnekleri
Veri Bilimi İş Süreci Döngüsünde Nasıl Uygulanır
- CRISP-DM Metodolojisi
- İş Anlayışı
- Veriyi Anlamak
- Verinin Hazırlanması
- Modelleme
- Değerlendirme
- Kullanıma Sokma
Python ile Veri Bilimi Uygulamaları Geliştirme
- Python Programlama Diline Genel Bakış
- Python ile Program Geliştirmek İçin Kullanılan Geliştirme Ortamları
- Anaconda ve Python Geliştirme Ortamı (Spyder, Jupyter Notebook)
- Google Colaboratory (Eğitim Sırasında Uygulamaların Gerçekleştirileceği Ortam)
- Sanal Çalışma Ortamı Kullanımı
- Python Programlama Dilinin Temelleri
- Modüller ve Paketler
- RE (Regular expression) ile örüntü tanıma
Veri Okuryazarlığı
- Dosyadan (Excel, CSV vd) Veri Seti Yükleme/Okuma
- Verinin Gösterimi
- Verinin Boyutu Hakkında Bilgi Edinme
- Veride Örneklem
- Verideki Data Tipleri
- Temel İstatistiki Bilgi Edinme
- Merkezi Eğilim Ölçütleri: mod,medyan, aritmetik ortalama
- Dağılım Ölçüleri: Standart sapma, varyans, kovaryans, korelasyon
Veri Ön İşleme ve Temizleme (Data Preparation and Cleaning)
- Veri Tanıma
- Öznitelik Görüntüleme ve Seçme
- Sıralama ve Gruplama
- Öznitelikler Üzerinde İşlemler (Ekleme, Silme, Güncelleme)
- Gözlemler Üzerinde İşlemler (Gösterim, Ekleme, Silme)
- Veri Filtreleme
- Sözlük ve Liste Kullanımı İle Filtreleme
- Query İle Filtreleme
- Eksik Veriler Üzerinde İşlemler (Tespit, Silme, Doldurma)
- Tekrar Eden Veriler Üzerinde İşlemler (Tespit, Temizleme)
- Veri Dönüştürme İşlemleri
- Veriyi Ölçeklendirme ve Normalizasyon,
- Birleştirme-Toplama (Aggregation)
- Kategorik Veriler
- Aykırı/Uç Verileri Tespit Etme
- Veri Görselleştirme
- Grafik çizimi (çizgi, çubuk, pasta, ısı/heatmap vb.)
- Grafikler üzerinde işlemler yapma
Makine Öğrenmesi Uygulama Sürecindeki Teknik Kavramlar
- Temel Kavramlar ve Terminoloji
- Problem Türleri (Regresyon, Sınıflandırma)
- Model
- Veri Setini Eğitim ve Test Olarak Bölme
- Aşırı Öğrenme (overfitting)
- Model Doğrulama
- Öğrenme Çeşitleri
- Denetimli Öğrenme (Supervised)
- Denetimsiz Öğrenme (Unsupervised)
- Takviyeli/Pekiştirmeli Öğrenme (Reinforcement)
- Özellik Mühendisliği
- Aykırı Değer Tespiti
- Veri Temizleme
- Veri Dönüştürülmesi (encoding scaling)
- Veri Azaltma
- Özellik Çıkarma (Feature Extraction)
- Makine Öğrenmesi Modelleri Başarı Değerlendirme Yöntemleri
- Karmaşıklık Matrisi (Confusion Matrix)
- Accuracy, Recall, Precision
- R2 Score
- F1 Score
- AUC-ROC Curve
- Ortalama Mutlak Hata (Mean Absolute Error, MAE)
- Ortalama Kare Hatası (Mean Squared Error, MSE)
- Scikit-Learn Modülü ve Makine Öğrenmesi
Makine Öğrenmesi Algoritmaları/Modelleri ve Uygulama Geliştirme
- Regresyon Modelleri (Teori, Model, Tahmin)
- Basit Lineer
- Çoklu Lineer
- Sınıflandırma Modelleri (Teori, Model, Tahmin)
- Lojistik Regresyon ile Sınıflandırma
- K-En Yakın Komşu (K-Nearest Neighbours – KNN) ile Sınıflandırma
- Karar Ağaçları (Decision Tree – CART) ile Sınıflandırma
- Kümeleme Modelleri (Teori, Model, Tahmin) (Denetimsiz Öğrenme Uygulaması)
- K-Means Algoritması ile Kümeleme
Eğitim Katılım Ön Koşulları
Mevcut eğitim açıklamasında katılım için zorunlu bir ön koşul belirtilmemiştir. Python ve veri analizi konularına hazırlık düzeyini eğitim talebiniz sırasında teyit edebilirsiniz.
İlgili Eğitimler Ve Teklif
Konuyu kredi riski örnekleriyle derinleştirmek için Kredi Riski ve Yapay Zeka Uygulamaları Eğitimi ve Python temelleri için Finansçılar için Python Programlama Eğitimi sayfalarını inceleyebilirsiniz.
Kurumunuz için eğitim planı ve fiyat teklifi almak üzere bu sayfadaki İletişim Formu’nu doldurabilirsiniz. Diğer iletişim seçenekleri için BlueMark Academy iletişim sayfasını kullanabilirsiniz.
Sık Sorulan Sorular
Bankacılıkta Yapay Zeka Kullanımı Eğitimi kaç gün sürer?
Eğitim süresi 5 gündür.
Eğitim online olarak mı düzenleniyor?
Evet. Sayfada eğitim tipi Sanal Sınıf / Online olarak belirtilmiştir.
Bu eğitime kimler katılabilir?
Bankacılık profesyonelleri, veri bilimciler, analistler, BT ve yazılım geliştirme ekipleri ile yenilikçi çözümler arayan yöneticiler hedef kitledir.
Python ile uygulama yapılıyor mu?
Evet. Müfredatta Python geliştirme ortamları, Google Colaboratory ve finansal veri üzerinde veri bilimi uygulamaları yer alır.
Hangi makine öğrenmesi konuları işleniyor?
Regresyon, sınıflandırma, kümeleme, özellik mühendisliği ve model başarısı değerlendirme başlıkları müfredatta bulunur.
Katılım için ön koşul var mı?
Mevcut eğitim sayfasında katılım ön koşulu belirtilmemiştir. Gerekli ön bilgiyi eğitim talebiniz sırasında teyit edebilirsiniz.