Eğitim Hakkında
Bu ileri seviye uzmanlık programı, birbiriyle ilişkili yüzlerce veya binlerce zaman serisi değişkeninin karmaşık ve dinamik etkileşimlerini modelleyerek, geleceğe yönelik yüksek isabetli tahminler üretme bilimi ve sanatına odaklanır. Katılımcılar, klasik istatistiksel metotların yetersiz kaldığı non-lineer ve uzun vadeli bağımlılıkları yakalamak için LSTM ve GRU gibi ardışık modellerden, endüstri standardı haline gelen Transformer tabanlı mimarilere ve N-BEATS gibi en yeni nesil yaklaşımlara kadar tüm modern derin öğrenme cephaneliğini kullanmayı öğreneceklerdir. Programın sonunda katılımcılar, sadece tek bir değişkeni değil, bir bütün olarak sistemin gelecekteki davranışını (örn: bir perakende şirketinin tüm ürünlerinin satışları, lojistik maliyetleri ve stok seviyeleri) tahminleyebilen ve bu tahminleri stratejik iş kararlarına dönüştürebilen uçtan uca çözümler geliştirme yetkinliğine sahip olacaklardır.
Çok Değişkenli Zaman Serisi Tahminlemesi için Derin Öğrenme, birden fazla zaman serisini (örn: satışlar, pazarlama harcamaları, rakip fiyatları, hava durumu) girdi olarak alan ve bu değişkenler arasındaki gizli ilişkileri öğrenerek, gelecekteki bir zaman ufku için bir veya daha fazla değişkenin değerini tahminleyen sinir ağı tabanlı bir yaklaşımdır. Bu eğitimde;
- Temel Mimariler: RNN, LSTM, GRU ve Sekans-Sekans (Seq2Seq) modelleri ile ardışık verinin modellenmesi.
- Modern Mimariler: Paralel işleme ve uzun vadeli bağımlılıklar için 1D-CNN (TCN) ve endüstri standardı haline gelen Transformer tabanlı modeller (Informer, Autoformer).
- En Gelişmiş (State-of-the-Art) Yaklaşımlar: Yorumlanabilirliği ve performansı birleştiren N-BEATS ve N-HiTS, farklı veri türlerini bir arada işleyebilen Temporal Fusion Transformers (TFT).
- Uzamsal-Zamansal (Spatio-Temporal) Modelleme: Değişkenler arasında bilinen bir ağ yapısı (örn: bir şehrin trafik sensör ağı) olduğunda kullanılan Graf Sinir Ağları (GNN).
- Kütüphaneler: PyTorch Forecasting, Darts ve GluonTS gibi zaman serisi odaklı modern Python kütüphaneleri üzerinde yoğun uygulamalar yapılacaktır.
Kimler İçindir?
- Temel zaman serisi analizinden derin öğrenme yaklaşımlarına geçmek isteyen Veri Bilimciler ve Makine Öğrenmesi Mühendisleri.
- Varlık fiyatlarını, volatiliteyi ve piyasa riskini birden çok faktöre bağlı olarak modelleyen Kantitatif Finans Analistleri (Quants).
- Satış, talep ve envanter seviyelerini yüzlerce ürün ve mağaza için aynı anda tahminlemesi gereken Talep Planlama ve Tedarik Zinciri Analistleri.
- Bir bölgenin enerji tüketimini veya yenilenebilir enerji üretimini çok sayıda değişkene (hava durumu, endüstriyel aktivite) bağlı olarak öngören Enerji Sektörü Analistleri.
- Endüstriyel ekipmanlardan veya akıllı cihazlardan gelen çoklu sensör akışını analiz ederek sistem sağlığını modelleyen Endüstriyel IoT (IIoT) Uzmanları.
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
Eğitim İçeriği
1.1. Zaman Serisi Analizinin Temel Kavramları
- Durağanlık (Stationarity), Otorkorelasyon (ACF) ve Kısmi Otorkorelasyon (PACF) kavramlarının çok değişkenli sistemlerdeki yorumu.
- Granger Nedensellik Testi: Değişkenler arasında istatistiksel bir "etki" olup olmadığını anlama.
- Tek Adımlı (One-Step) vs. Çok Adımlı (Multi-Step) Tahminleme.
- Tek Çıktılı (Single-Output) vs. Çok Çıktılı (Multi-Output) Tahminleme.
- Çok Adımlı Tahminleme Stratejileri: Özyinelemeli (Recursive), Doğrudan (Direct) ve Çoklu Çıktı (MIMO) yaklaşımlarının avantaj ve dezavantajları.
2.1. Veri Ön İşleme ve Normalizasyon
- Zaman serilerinde ölçeklendirmenin (Min-Max, Standard Scaling) önemi ve potansiyel riskleri (ileri bakış yanlılığı - look-ahead bias).
- Eksik veri tamamlama (imputation) stratejileri: İleri/geri doldurma, enterpolasyon ve model tabanlı yaklaşımlar.
- Ardışık veriyi, derin öğrenme modellerinin anlayacağı (girdi, çıktı) çiftlerine dönüştürme: Kaydırmalı pencere (sliding window) yaklaşımı.
- Girdi (lookback) ve çıktı (horizon) pencerelerinin boyutlarının model performansı üzerindeki etkisi.
- Zaman Tabanlı Özellikler: Haftanın günü, ay, tatil günleri gibi döngüsel özelliklerin sinüs/kosinüs dönüşümleri ile kodlanması.
- Gecikme (Lag) Özellikleri: Değişkenlerin geçmiş değerlerinin girdi olarak kullanılması.
- İstatistiksel Özellikler: Kaydırmalı pencere içindeki ortalama, standart sapma gibi özelliklerin üretilmesi.
3.1. Tekrarlayan Sinir Ağları (RNN) ve Limitasyonları
- RNN'lerin ardışık veriyi işleme mantığı ve kaybolan/patlayan gradyan (vanishing/exploding gradients) problemi.
- Uzun vadeli bağımlılıkları öğrenmeyi sağlayan "kapı" (gate) mekanizmalarının (unutma, girdi, çıktı kapıları) detaylı incelenmesi.
- Çok değişkenli zaman serileri için LSTM/GRU ağlarının Python/PyTorch ile kodlanması.
- Encoder-Decoder (Kodlayıcı-Kod Çözücü) Mimarisi: Geçmiş zaman serisini sabit boyutlu bir "düşünce vektörüne" sıkıştırma ve bu vektörden gelecekteki tüm adımları üretme.
- Dikkat Mekanizması (Attention) ile Seq2Seq modelinin zenginleştirilmesi: Modelin tahmin yaparken girdinin hangi kısımlarına daha fazla "odaklanması" gerektiğini öğrenmesi.
4.1. Zamansal Evrişimli Ağlar (Temporal Convolutional Networks - TCN)
- 1D-CNN katmanları ile zaman serilerindeki yerel örüntüleri yakalama.
- RNN'lere göre paralel eğitilebilme avantajı ve nedensel evrişim (causal convolution) ile gelecekteki veriyi görmeme garantisi.
- Kendi Kendine Dikkat (Self-Attention) Mekanizması: Bir zaman serisindeki her bir noktanın, diğer tüm noktalarla olan ilişkisini nasıl öğrendiğinin derinlemesine incelenmesi.
- Konumsal Kodlama (Positional Encoding): Modelin, verinin zamansal sırasını anlamasını sağlama.
- Vaka İncelemesi: Informer ve Autoformer gibi zaman serisi odaklı Transformer modellerinin getirdiği yenilikler (seyrek dikkat, otokorelasyon mekanizmaları).
5.1. N-BEATS ve N-HiTS Mimarileri
- Yorumlanabilir bir yapıya sahip, sadece yoğun (dense) katmanlardan oluşan ve birçok benchmark'ta Transformer'ları geride bırakan modern bir yaklaşım.
- Farklı tiplerdeki (statik, bilinen gelecekteki, gözlemlenen geçmiş) girdileri bir araya getiren, hem tahmin hem de yorumlanabilirlik sunan hibrit bir mimari.
- Birbirine bağlı sensör ağları (trafik, hava kalitesi) veya coğrafi bölgeler arasındaki etkileşimleri modelleyerek tahmin yapma.
Aşama 1: Problem Tanımı ve Veri Keşfi
- Yüzlerce farklı ürünün satış verileri, promosyon bilgileri, stok seviyeleri ve dışsal faktörleri (tatil günleri, ekonomik göstergeler) içeren bir veri setinin analizi.
- Tüm ürünler için ölçeklendirme, pencereleme ve özellik üretme süreçlerini otomatize eden bir pipeline kurma.
- Bir temel (baseline) model (örn: basit bir istatistiksel model) oluşturma.
- Bir LSTM (Seq2Seq) ve bir Transformer tabanlı modelin aynı veri üzerinde eğitilmesi ve performanslarının karşılaştırılması.
- En başarılı modelin tahminlerinin görselleştirilmesi.
- Modelin, hangi promosyonun hangi ürün üzerindeki etkisini daha güçlü öngördüğünün analizi.
- Tahmin sonuçlarının envanter yönetimi ve lojistik planlama kararlarını nasıl etkileyeceğine dair bir rapor hazırlanması.
7.1. Zaman Serileri için Geriye Dönük Test (Backtesting) Stratejileri
- Kaydırmalı Pencere (Sliding Window) ve Genişleyen Pencere (Expanding Window) doğrulama yöntemleri.
- SHAP gibi açıklanabilirlik kütüphanelerinin zaman serisi modellerine uygulanması: Hangi geçmiş değişkenin veya özelliğin mevcut tahmini en çok etkilediğini anlama.
- Modellerin ne sıklıkla yeniden eğitilmesi gerektiği (retraining strategy).
- Üretimdeki bir modelin performansını izleme ve konsept sapması (concept drift) tespiti.
- Olasılıksal Tahminleme (Probabilistic Forecasting) ile belirsizliği modelleme, zaman serileri için temel modeller (Foundation Models for Time Series).
Neden Bu Eğitimi Almalısınız ?
- Bütünsel Sistem Anlayışı: Tek tek değişkenleri izole bir şekilde analiz etmek yerine, sistemin tüm bileşenlerinin birbirini nasıl etkilediğini modelleyerek çok daha gerçekçi ve bütünsel bir bakış açısı kazandırır.
- Üstün Tahmin Doğruluğu: İlgili dışsal değişkenleri (covariates) modele dahil ederek, tek değişkenli (univariate) metotların asla ulaşamayacağı bir tahmin isabetliliği ve güvenirliği sağlar.
- Otomatik Özellik Keşfi: Derin öğrenme modelleri, manuel olarak tasarlanması zor olan karmaşık ve non-lineer ilişkileri veriden otomatik olarak öğrenir, bu da kapsamlı özellik mühendisliği (feature engineering) ihtiyacını azaltır.
- Uzun Ufuklu Tahminleme: Sadece bir sonraki adımı değil, gelecekteki onlarca veya yüzlerce adımı kapsayan bir tahmin ufku (forecast horizon) üretebilen Sekans-Sekans gibi gelişmiş mimarileri öğretir.
- Karmaşık Dinamikleri Modelleme: Mevsimsellik, trend, ani sıçramalar ve değişkenler arası gecikmeli (lagged) etkileşimler gibi karmaşık dinamikleri aynı anda modelleyebilme yeteneği kazandırır.
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: