Ön Koşul
Bu Eğitimin Herhangi Bir Ön Koşulu Yoktur.
Eğitim Hakkında
Bu kurs R, Python, Knime ve IBM Watson programlama ortamlarını kullanarak Makine öğrenmesi konusunda gerçek iş uygulamalarına yönelik katılımcıların becerisini kazandırmayı hedeflemektedir. Kurs içerisinde pek çok konu belli bir derinlikte ele alınmaktadır. Bu kurs aynı zamanda bir uygulama kursu olduğundan iş dünyasında karşılaşılan süreçlerle ilgilid örnekler verilmektedir. Katılımcılar faktörler, listeler ve veri çerçeveleri de dahil olmak üzere bu yaygın olarak kullanılan açık kaynak dilin temellerine hakim olacaklardır. Bu kursta edinilen bilgiler sayesinde katılımcılar ilk kendi veri analizlerini yapmaya hazır olacaklar.
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
- Faktör Analizi
- Korelasyon ve Regresyon Analizleri
- Hipotez Testleri (Anova, T Testi, F Testi vs..)
- Regresyon
- Doğrusal Regresyon
- Sınıflandırma
- Support Vector Machine
- Naive Bayes
- Yapay Sinir Ağları (Artificial Neural Network)
- Derin Öğrenme (Deep Learning)
- Karar Ağaçları (Decision Trees)
- Lojistik Regresyon
- Kümeleme analizi
- Uzaklık temelli yöntemler
- Overfitting problemi
- Underfitting problemi
- Pekiştirmeli öğrenme örnekleri
- Çeşitli optimizayon teknikleri
- Temel ra kavramları
- Vektörler
- Matrisler
- Faktörler
- Data frame
- Listeler
- Ham datanın anlaşılması
- Datayı düzenleme
- Analiz için hazırlık
- İkili değişkenleri görselleştirme
- Korelasyon
- Basit doğrusal regresyon
- Katsayıları yorumlama
- Yoğunluk ve kümülatif yoğunluk
- Beklenen değer ve varyans
- A ve B olaylarının ihtimali
- Rassal değişkenlerin çarpımı
- Bayes teoremi
- Normal dağılım
- Poisson dağılımı
- Çok değişkenli olasılık dağılımları
- Ortalama Vektör ve Varyans-Kovaryans Matrisi
- Çoklu normal dağılım
- Çok değişkenli verilerin normalliğini kontrol etme
- Temel bileşen analizi
- Bileşen sayısını seçme
- Poisson regresyonu
- Lojistik regresyon glm
- Glm görselleştirme
- Glm ile çoklu regresyon
- Sınıflandırma ağaçları
- Regresyon ağaçları
- Bagged Trees
- Çarpraz Doğrulama
- Random Forest (Rassal Orman)
- Boosting metodu
- Trendler
- White noise
- Random Walk
- Autocorelation-Otokorelasyon
- Autoregressive Modeller
- Hareketli ortalama (MA-Moving Average)
- ARIMA Modelleri
- ARMA modelleri
- Saf ve karışık sezonsal modeller
- Zaman serileri ile muhtelif tahminleme yöntemleri
- Trend ile üstel düzeltme yöntemleri
- Varyans stabilizasyonu için dönüşümler
- Durağanlık için sezonsal farklılık
- Dinamik harmonik regresyon
- Gam
- Sınıflandırma için Lojistik GAM’lar
- Son proje bazında yapılacak
- Model Tanımlama Yöntemleri
- Simpson Paradoksu
- Lojistik regresyon
- Gözlemler arası mesafe
- Kmeans kümeleme
- Hiyerarşik kümeleme
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: