Makine Öğrenimini Anlama Eğitimi

Açıklama

Makine öğrenimi, ayrıntılı bir programlama kullanılmadan belirli görevlere deneyim uygulanmasıyla bilgisayarların, makinelerin ve IoT cihazlarının öğrenmelerini ve uyum sağlamalarını sağlayarak veri analizi süreçlerinin otomatikleştirilmesine yardımcı olur.

Makine Öğrenimi iyi anlaşılmış bir süreçtir. Genellikle mevcut bazı verilerle başlanır ve bu veriler bir algoritmadan geçirilir. Algoritma, bu belirli verilerden “öğrenir” ve bir “veri modeli” üretir. Bu model verilerden öğrenmiştir ve artık ham verilerden türetilen bilgileri kapsar. Daha sonra bu veri modeli test edilir ve daha da geliştirilmeye çalışılır. Son olarak tamamlanan model değerlendirilir ve uygulama aşamasına geçilir.

Ön koşullar

Veriler hakkında bilgi sahibi olunması
İyi bir mantıksal zihniyet
Katılımcıların matematikle ilgili geçmişlerinin olmasına gerek yoktur

Eğitim İçeriği

Makine Öğrenimini Anlama Eğitimi, Python, öğrenme modelleri ve model testi konularını ele alan 4 günlük bir eğitim programıdır.

Understanding Machine Learning programında eğitim/test verileri, karışıklık matrisi, ROC eğrileri, aşırı öğrenme, yanlılık ve varyans konuları ele alınır.

Definition of Machine Learning (ML)
Origins of ML
Rule deduction (Expert Systems) vs induction (ML)
Why do we want machines to learn?
Supervised vs. unsupervised learning
Case studies
Regression as a classic example of ML

Data collection and preparation

Data selection
Data sampling
Data volume reduction
Removing ambiguities
Normalisation
Discretisation
Cleansing
Missing values
Outliers
Data and dimensional reduction
Data understanding
Generalisation of hierarchies

Introduction to ML in Python

Introduction to Python
ML with Python

Creating or choosing an algorithm

Examples of creating algorithms
The use of data mining algorithms
Classes and examples of data mining/Machine Learning algorithms
Decision trees
Clustering
Segmentation
Association
Classification
Sequence analysis
Neural nets
History
Layers
Weights
Back propagation
Deep Learning
KNN
SVM

Training and test data

Selecting the training and testing data
Ratio of training to test data
How to make an unbiased selection

Testing and confusion matrices

Type 1, 2 and 3 errors
False positives vs False negatives
PCC
Classification models
Confusion matrices

ROC curves

Measuring efficiency
ROC space and ROC curves

Efficiency, Overfitting, Bias and Variance

More about efficiency
Overfitting
Bias and Variance

Combining data models

Ensemble
Boosting
Gradient boosting
Case study of combining models
Summary

Katılım Koşulları

Veriler hakkında bilgi ve mantıksal düşünme becerisi gerekir. Matematik geçmişi şart değildir.

Sıkça Sorulan Sorular