Python İle Yapay Zeka

Eğitim İçeriği

Eğitimimiz, 4 saatten her biri toplamda 8 modül olarak düzenlenmiş, ve aşağıdaki şekilde bölümlendirilmiştir.

Modül 1: Temel Matematik-Lineer Cebir
1. Temel Matris İşlemleri
2. Kuvvet Serileri ve Doğrusallaştırma Yaklaşımları
3. Basit Doğrusal Regresyon
4. Çoklu Doğrusal Regresyon
5. Polinomal Regresyon
Modül 2: Temel Olasılık & İstatistik
1. Temel İstatistik Dağılımları (Normal, Poisson, Student-t, Ki-Kare Dağılımları)
2. İstatistik Testleri (p-Değeri, Tek/Çift Yönlü Hipotez, ANOVA Testleri)
3. Olasılığa Giriş, Bayes Kuralı
4. Korelasyon Matrisi ve Öznitelik Seçimi
Modül 3: Veri Analizi
1. Veri Yorumlamak ve Veri Üretmek
2. Grafik Çeşitleri ve Veri Görselleştirme
3. Pandas Kütüphanesi ile Zaman Serisi Uygulamaları
4. Pandas Kütüphanesi ile Panel Veri Uygulamaları
5. Eksik Veri Analizleri ve Eksik Verileri Yönetme
2
Modül 4: Gözetimli Öğrenme
1. Lojistik Regresyon
2. K-En Yakın Komşular (KNN)
3. Destek Vektör Makineleri (SVM)
4. Karar Ağaçları
5. Naive Bayes
Modül 5: Gözetimsiz Öğrenme
1. Kümeleme Analizi
2. Temel Bileşen Analizi (PCA)
3. Doğrusal Diskriminant Analizi (LDA)
4. k-Ortalama (k-Means) ve k-Medoid Analizleri
Modül 6: Birleşik Yapay Öğrenme (Ensemble Machine Learning)
1. Gradient Boosting Öğrenmesi
2. ADABoost Öğrenmesi
3. X-Gradient Boosting Öğrenmesi
Modül 7: Makine Öğrenmesi’nde Sonuç Yorumlama
1. Bayes Sınıflandırma ve Karmaşıklık Matrisi (Confusion Matrix)
2. Kesinlik (Precision), Recall ve F-1 Skorları Tespiti ve Dengesiz Veri Setleri
(Imbalanced Datasets)
3. Üst Sayıda Örnekleme (Oversampling)
4. Alt Sayıda Örnekleme (Undersampling)
5. Çapraz Geçerlilik Kuralı (Cross Validation Rule) ile Öğrenme Modeli Doğrulama
Modül 8: Yapay Sinir Ağları (Artificial Neural Networks) ve Derin Öğrenmeye Giriş
1. Tek Katmanlı Karar Verici (Single Layer Perceptron) ve Çoklu Katmanlı Karar Verici
(Multilayer Perceptron)
2. YSA için Aktivasyon Fonksiyonları
3. İleri Yayılım (Forward Propagation) ve Geri yayılım (Backpropagation)
4. Maliyet Fonksiyonu Analizleri ve YSA’nda Model Doğrulama Yöntemleri
5. Tensorflow kütüphanesi ile YSA’nda Sınıflandırma ve Regresyon Analizleri

Eğitmenler

Batuhan Atasoy (IND Yaz. Bil. Tek.)

Eğitim İçeriği

Eğitimimiz, 4 saatten her biri toplamda 8 modül olarak düzenlenmiş, ve aşağıdaki şekilde bölümlendirilmiştir.

Modül 1: Temel Matematik-Lineer Cebir
1. Temel Matris İşlemleri
2. Kuvvet Serileri ve Doğrusallaştırma Yaklaşımları
3. Basit Doğrusal Regresyon
4. Çoklu Doğrusal Regresyon
5. Polinomal Regresyon
Modül 2: Temel Olasılık & İstatistik
1. Temel İstatistik Dağılımları (Normal, Poisson, Student-t, Ki-Kare Dağılımları)
2. İstatistik Testleri (p-Değeri, Tek/Çift Yönlü Hipotez, ANOVA Testleri)
3. Olasılığa Giriş, Bayes Kuralı
4. Korelasyon Matrisi ve Öznitelik Seçimi
Modül 3: Veri Analizi
1. Veri Yorumlamak ve Veri Üretmek
2. Grafik Çeşitleri ve Veri Görselleştirme
3. Pandas Kütüphanesi ile Zaman Serisi Uygulamaları
4. Pandas Kütüphanesi ile Panel Veri Uygulamaları
5. Eksik Veri Analizleri ve Eksik Verileri Yönetme
2
Modül 4: Gözetimli Öğrenme
1. Lojistik Regresyon
2. K-En Yakın Komşular (KNN)
3. Destek Vektör Makineleri (SVM)
4. Karar Ağaçları
5. Naive Bayes
Modül 5: Gözetimsiz Öğrenme
1. Kümeleme Analizi
2. Temel Bileşen Analizi (PCA)
3. Doğrusal Diskriminant Analizi (LDA)
4. k-Ortalama (k-Means) ve k-Medoid Analizleri
Modül 6: Birleşik Yapay Öğrenme (Ensemble Machine Learning)
1. Gradient Boosting Öğrenmesi
2. ADABoost Öğrenmesi
3. X-Gradient Boosting Öğrenmesi
Modül 7: Makine Öğrenmesi’nde Sonuç Yorumlama
1. Bayes Sınıflandırma ve Karmaşıklık Matrisi (Confusion Matrix)
2. Kesinlik (Precision), Recall ve F-1 Skorları Tespiti ve Dengesiz Veri Setleri
(Imbalanced Datasets)
3. Üst Sayıda Örnekleme (Oversampling)
4. Alt Sayıda Örnekleme (Undersampling)
5. Çapraz Geçerlilik Kuralı (Cross Validation Rule) ile Öğrenme Modeli Doğrulama
Modül 8: Yapay Sinir Ağları (Artificial Neural Networks) ve Derin Öğrenmeye Giriş
1. Tek Katmanlı Karar Verici (Single Layer Perceptron) ve Çoklu Katmanlı Karar Verici
(Multilayer Perceptron)
2. YSA için Aktivasyon Fonksiyonları
3. İleri Yayılım (Forward Propagation) ve Geri yayılım (Backpropagation)
4. Maliyet Fonksiyonu Analizleri ve YSA’nda Model Doğrulama Yöntemleri
5. Tensorflow kütüphanesi ile YSA’nda Sınıflandırma ve Regresyon Analizleri

Eğitmenler

Batuhan Atasoy (IND Yaz. Bil. Tek.)