Makine Öğrenmesi Eğitimi

Bu kurs için Udemy indirim kuponu:

https://www.udemy.com/makine-ogrenmesi/?couponCode=MAKINEOGRENMES3

KNIME kursu için Udemy indirim kuponu:

https://www.udemy.com/veribilimi/?couponCode=VERIBILIMI2

A’dan Z’ye Makine Öğrenmesi, Python ile

Ders kapsamında anlatılan konular ve ilgili kod, veri kümesi ve diğer detaylar için aşağıdaki izlenceyi kullanabilirsiniz.

Bölüm 1 Giriş : Hoş Geldiniz
- Ders 1: Makine Öğrenmesi ve Uygulamaları
- Ders 2: Makine Öğrenmesi ve Geleceğin Dünyası
- Ders 3: Python ve Anaconda’nın kurulması
- Ders 4: Derslerle ilgili önemli notlar ve Derslerin İzleyeceği Sıra
Bölüm 2 : Veri Ön İşleme (Data Preprocessing)
- Ders 5: Verinin Yüklenmesi
  - Veri Kümesi: veriler.csv (indirmek için tıklayınız)
- Ders 6: Kütüphanelerin Yüklenmesi: NumPY, Pandas ve MathPlot Yüklenmesi
- Ders 7: Verinin İçeri Alınması (Data İmport)
  - Python Kodu: Veri Yükleme Python Kodu (indirmek için tıklayınız)
- Ders 8: Python: Nesne Yönelimli Programlama
- Ders 9: Eksik Veriler
  - Veri Kümesi: eksikveriler.csv (indirmek için tıklayınız)
  - Python Kodu: Eksik Veri Tamamlama (Impuatiton) Örnek kodu
- Ders 10: Kategorik Veriler
  - Python Kodu: Kategorik veriler ve LabelEncoder ve OneHotEncoder Kullanımı
- Ders 11: Veri Kümelerinin Birleştirilmesi ve DataFrame Kavramı
  - Python Kodu: Veri Birleştirme ve DataFrame kavramı
- Ders 12: Veri Kümesinin Eğitim ve Test Olarak Bölünmesi
  - Python Kodu: Veri Kümesini Eğitim ve Test kümesi olarak bölme kodu
- Ders 13: Öznitelik Ölçekleme
  - Python Kodu: Veri Ölçekleme
- Ders 14: Veri Ön işleme Şablonu
  - Python Kodu: Veri Ön İşleme Şablonu
- Quiz 1: Veri Ön İşleme
Bölüm 3: Tahmin (Prediction)
- Ders 15: Tahmin Problemleri ve Genel Giriş
- Bölüm 3.1: Doğrusal Regresyon
  - Ders 16: Veri Kümesinin indirilmesi
    - Veri Kümesi: Aylara Göre Satış Verileri
  - Ders 17: Veri Kümesi ve Kodlar ile ilgili
  - Ders 18: Doğrusal Regresyon Kavramına Giriş
  - Ders 19: Veri Ön İşleme Şablonu ile Verinin Yüklenmesi
    - Python Kodu: Ön İşleme Şablonunun Yüklenmesi
  - Ders 20: Doğrusal Regresyon Modelinin İnşa Edilmesi
    - Python Kodu: Doğrusal Regresyon Modeli
  - Ders 21: Doğrusal Regresyon Modelini Uygulayarak Tahmin
    - Python Kodu: Doğrusal Regresyon ile Tahmin
  - Ders 22: Doğrusal Regresyon ve Verilerin Görselleştirilmesi
    - Python Kodu: Veri ve Regresyon Görselleştirme
  - Quiz 2: Basit Doğrusal Regresyon Soruları
- Bölüm 3.2: Çoklu Doğrusal Regresyon
  - Ders 23: Veri Kümesi ve Problemin Tanımı
  - Ders 24: Çoklu Değişkenlerdeki Problemler ve Çözümleri
  - Ders 25: Kukla Değişken (Dummy Variable) ve Kukla Değişken Tuzağı
  - Ders 26: Çalışma Ödevi 1: P-Value
  - Ders 27: P-Value
  - Ders 28: Değişken Seçimi ve Geri Eleme (Backward Elimination), İleri Seçim (Forward Selection), Çift Yönlü Seçim (Bidirectional Elimination) yöntemleri
  - Ders 29: Çoklu Doğrusal Regresyon Kodlaması: Veri Kümesini Hazırlama
    - Python Kodu: Çoklu Doğrusal Regresyon için Veri Hazırlama
  - Ders 30: Çoklu Doğrusal Regresyon Kodlaması: Regresyon Modeli
    - Python Kodu: Çoklu Doğrusal Regresyon ile Problem Çözümü
  - Ders 31: Geri Eleme Yöntemi (Backward Elimination)
    - Python Kodu: Geri Eleme Yönteminin Python ile Kodlanması
  - Ödev 1: Çoklu Doğrusal Regresyon (Ders 32)
  - Ödev 1: Çözümü 1. Parça: Veri Hazırlama ve Doğrusal Regresyon (Ders 33)
  - Ödev 1: Çözümü 2. Parça: Geri Eleme Yöntemi ile (Backward Elimination) (Ders 34)
    - Çözümün Python Kodu
  - Quiz 3: Çoklu Doğrusal Regresyon
- Bölüm 3.3: Polinomal Regresyon
  - Ders 35: Veri Kümesi, Kavramın ve Problemin Tanımı
    - Veri Kümesi: Maaslar.csv
  - Ders 36: Polinom Regresyonun Python ile Uygulaması
    - Python Kodu: Polinom Regresyon Uygulaması
  - Ders 37: Python ile Polinom Regresyon Şablonu
    - Python Kodu: Polinom Regresyon Şablonu
- Bölüm 3.4: Destek Vektör ile Tahmin (Support Vector Regression, SVR)
  - Ders 38: Veri Kümesi, Kavramın ve Problemin Tanımı
  - Ders 39: Python ile SVR uygulaması
    - Python kodu: SVR Uygulaması
- Bölüm 3.5: Karar Ağacı ile Tahmin
  - Ders 39: Veri Kümesi, Kavramın ve Problemin Tanımı
  - Ders 40: Karar Ağacı Regresyonunun Python ile kodlanması
    - Python kodu: Karar Ağacı (Decision Tree)
- Bölüm 3.6: Rassal Ağaç ile Tahmin (Random Forest)
  - Ders 39: Veri Kümesi, Kavramın ve Problemin Tanımı
  - Ders 40: Python ile Rassal Ağaç Regresyonu
    - Python kodu: Rassal Ağaçlar (Random Forest)
- Bölüm 3.7: Tahmin Algoritmalarının Değerlendirilmesi (Evaluation of Predictions)
  - Ders 41: R-Kare Yöntemi (R-Square)
  - Ders 42: Düzeltilmiş R-Kare Yöntemi (Adjusted R-Square)
    - Python Kodu: Tahmin Algoritmaları Şablonu
  - Ders 43: Doğrusal Regresyon Çarpanlarını Değerlendirmek
  - Ödev 2: Tahmin Algoritmalarını Değerlendirmek
    - Ödev için veri kümesi: maaslar_yeni.csv
  - Ödev 2: Çözümü
    - Python Kodu: Ödev 2 Çözüm
- Tahmin Bölümü Özeti ve Modellerin Karşılaştırılması
  - Özet: Tahmin Metotlarının Karşılaştırılması
  - Şablon: Tahmin Metotları (SRL, MLR,, PR, SVM, DT, RF) + R2 Hesaplama + Korelasyon
Bölüm 4: Sınıflandırma
- Sınıflandırma Problemlerine Genel Giriş
- Bölüm 4.1: Lojistik Regresyon (Logistic Regression)
  - Lojistik Regresyon’a Giriş
  - Python ile Lojistik Regresyon Kodlama
    - Python Kodu: Lojistik Regresyon
  - Confusion Matrix ve Sınıflandırma Şablonu
    - Python Kodu: Sınıflandırma Şablonu ve Karışıklık Matrisi
- Bölüm 4.2: K-En Yakın Komşu (K-NN)
  - K-NN Algoritması
  - Python ile K-NN kodlaması
    - Python Kodu: K-NN
  - Mesafe Algoritmaları (Distance Metrics)
    - Python Kodu: Mesafe algoritmaları
  - Quiz: K-NN
- Bölüm 4.3: Destek Vektör Makineleri (Support Vector Machine)
  - Kavrama ve Problemlere Giriş
  - Python ile SVM uygulaması ve sınıflandırma
    - Python Kodu: SVM Uygulaması
- Bölüm 4.4: Destek Vektör Makinelerinde Çekirdek Kullanımı
  - Çekirdek hilesi (Kernel Trick)
  - Python ile Çekirdek fonksiyonları ve SVM
    - Python Kod: SVM ve Çekirdek Hilesi
- Bölüm 4.5: Naif Bayes
  - Bayes teoremi, Naive Bayes için Algoritmanın ve problemlerin tanımı, Sayısal Örnek çözümü
  - Python ile Naive Bayes algoritmasının kodlanması
    - Python Kodu : Naive Bayes
- Bölüm 4.6: Karar Ağaçları
  - Karar ağaçlarına giriş ve sınıflandırma problemleri
  - Python ile karar ağaçlarının kodlanması
    - Python Kodu : Decision Tree
- Bölüm 4.7: Rassal Ağaçlar (Random Forest)
  - Rassal Ormanların, sınıflandırma problemlerine uygulanması
  - Python ile Rassal Orman kodlaması
    - Python Kodu: Random Forest
- Bölüm 4.8: Sınıflandırma Algoritmalarının Değerlendirilmesi
  - Confusion Matris
  - False Positive ve False Negative Kavramları
  - Netlik/doğruluk (accuracy) paradoksu
  - ROC eğrisi
- Bölüm 4.9: Şablon ve Ödev
  - Sınıflandırma Şablonu
    - Python Kodu: Şablon
  - Ödev 3: Iris veri kümesi sınıflandırma
    - Veri Dosyası : iris.xls
  - Ödev 3: Çözüm ve Algoritmaların Karşılaştırılması
    - Python Kodu: Ödev 2’nin çözümü
  - Sınıflandırma Algoritmalarının Karşılaştırılması ve Özet
    - Özet Tablo
Bölüm 5: Bölütleme / Kümeleme (Clustering)
- Bölütleme (kümeleme) problemlerine genel giriş ve kullanım alanları
- Bölüm 5.1: K-Orta Algoritması (K-Means)
  - Kavrama ve algoritmaya giriş
  - Rassal Başlangıç Tuzağı
  - K-Means algoritmasında küme sayısına karar verilmesi
  - Python ile K-Means algoritmasının kodlanması
    - Veri Dosyası
    - Python Kodu
  - Test : K-Means
- Bölüm 5.2: Hiyerarşik Bölütleme
  - Hiyerarşik kümeleme kavramına giriş
  - Dendrogram kavramı ve hiyerarşik kümeleme kullanımı
  - Python ile Hiyerarşik kümeleme
    - Python Kodu
  - Test: Hiyerarşik Bölütleme / Kümeleme
- Bölüm Özeti ve Modellerin Karşılaştırması
Bölüm 6: Birliktelik Kural Çıkarımı (Association Rule Mining)
- Bölüm 6.1: Apriori Algoritması
  - Birliktelik Kural Çıkarımına ve Algoritmaya giriş ve algoritmanın çalışması
  - Algoritmanın Python ile kodlanması
    - Python Kodu ve Kütüphane
    - Veriler : sepet.csv
- Bölüm 6.2: Eclat Algoritması
  - Algoritmanın çalışması
Bölüm 7: Pekiştirmeli / Takviyeli Öğrenme (Reinforced Learning)
- Pekiştirmeli / Takviyeli Öğrenme (Reinforced Learning) Kavramına Giriş
- A/B Testi ve Çok Kollu Haydut Problemi (Multi Armed Bandit)
- Bölüm 7.1. UCB
  - Üst Güven Sınırı (Upper Confidence Boun, UCB) Yaklaşımı
  - Rasgele Örnekleme Yaklaşımı, Probleme ve UCB Algoritmasına giriş
    - Python Kodu: Rasgele Örnekleme (Random Sampling)
  - UCB Algoritmasının Python ile kodlanması
    - Python Kodu: UCB ile Pekiştirmeli / Takviyeli Öğrenme
- Bölüm 7.2. Thompson Örneklemesi (Sampling)
  - Thompson Sampling Yaklaşımı
  - Algoritmaların Karşılaştırılması (UCB ve Thompson S)
  - Python ile Kodlama
Bölüm 8: Doğal Dil İşleme (Natural Language Processing) ve Metin İşleme (Text Processing)
- Ders 97: Kavramlara ve doğal dil / metin işleme dünyasına giriş
  - İngilizce ve Türkçe için Metin işleme kaynakları
- Ders 99: Algoritmalar ve kurgu
- Ders 100: Python ile metin işleme kodunun yazılması, Kaynaklar ve Veri Kümeleri
- Ders 101: Python Kodu1 : İmla işaretleri ve AlfaNümerik Verilerin Filitrelenmesi
- Python Kodu2 : Büyük / Küçük Harf problemi
- Python Kodu3 : Durma Kelimeleri ( Stop Words)
- Python Kodu4 : Kelime Gövdelerinin Bulunması (Stemmer)
- Python Kodu5 : Kelime Vektörü Sayaç kullanımı (CountVectorizer)
- Python Kodu6 : Makine öğrenmesi ve Sınıflandırma Kısmı
  - Metin İşleme Kodlarını indirmek için tıklayınız
Bölüm 9: Derin Öğrenme (Deep Learning)
- Yapay Sinir Ağlarına Giriş (Artificial Neural Networks)
- Aktivasyon Fonksiyonları (Activation Functions)
- Katman Kavramı ve Çalışan bir Yapay Sinir Ağı
- XOR Problemi ve Çözüm olacak YSA tasarımı
- YSA Nasıl Öğrenir ? : Perceptron (Algılayıcı) kavramı
- Gradyan Alçalış (Gradient Descendent)
- Yığın (Batch), Stokastik (stochasftic) ve Mini Yığın (mini Batch) gradyan alçalış (gradient Descendent)
- İleri yayılımın (forward propagation) ve geri yayılımlı (backward propagation) ağlar
- Derin Öğrenme Kütüphaneleri ve karşılaştırma
  - Keras, Caffe, TensorFlow, DeepLearning4J ve PyTorch karşılaştırması
    - Keras: https://keras.io
    - TensorFlow: https://www.tensorflow.org
    - Caffe : http://caffe.berkeleyvision.org
    - DeepLearning4J : https://deeplearning4j.org
    - PyTorch : https://pytorch.org
- Derin Öğrenme Kütüphanelerinin Kurulması
  - Theano : pip install –upgrade –no-deps git+git://github.com/Theano/Theano.git
  - TensorFlow: conda create -n tensorflow python=3.5
  - Keras : pip install –upgrade keras
  - TensorFlow: pip3 install –upgrade https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.8.0-py3-none-any.whl
- Veri Kümesi ve Problemin Tanıtımı
  - Veri kümesini indirmek için tıklayınız.
- Python ile kodlama
  - Python kodunu indirmek için tıklayınız.
Bölüm 10: Boyut İndirgeme ve Boyut Dönüşümü
- PCA Konu Anlatımı ve Boyut Dönüşümü / İndirgemeye Giriş
  - Veri Kümesi
  - Python Kodu : PCA ile Boyut İndirgeme
- LDA Konu anlatımı, PCA ile farkları ve Gözetimli / Gözetimsiz boyut indirgeme
  - Python Kodu : LDA ile Boyut İndirgeme ve PCA ile Karşılaştırma
Bölüm 11: Model Seçimi
- k-katlamalı Çapraz Doğrulama (k-fold Cross Validation)
  - Python Kodu: Cross Validation
- Model Seçimi ve Parametre İyileştirmesi
  - Python Kodu: Grid Search ve Parametre Optimizasyonu
Bonus 1: XGBoost
- Giriş, Özellikler ve Kaynaklar
Bonus 2: Soru Cevap Videoları
- K-NN algoritmasında K nasıl hesaplanır?
- Eğittiğimiz Modelleri nasıl kaydedip taşırız?
- Ön işlemede Normalleştirme yöntemlerinin farkları ( Min-Max Normalleştirmesi, Robust Normalization, Standard Normalleştirme, Normalizer)
Bonus 3 : CNN ( Convolutional Neural Networks)
- CNN (Evrişimsel Yapay Sinir Ağlarına) giriş
- Uçtan Uca CNN ve Evrişim ve Havuzlama (Pooling) Kavramları
- Düzleştirme (Flattening) ve Görsel Etkileşimli bir uygulama
  - Derste gösterilen Web Sitesi : http://www.cs.cmu.edu/~aharley/vis/conv/flat.html
  - Diğer Örnek Uygulamalar için : http://www.cs.cmu.edu/~aharley/vis/
- Python ile CNN kodlaması ve cinsiyet tahmini
  - Örnek kodları ve veri kümesini indirmek içn tıklayınız

İstanbul

E-posta
bilkav@bilkav.com

Telefon
0531 605 67 26

Adres
Entertech İstanbul Üniversitesi Teknokent, Üniversite Mah. Sarıgül Sk. 34320 Avcılar / İstanbul

ABD

E-posta
optiwisdom@optiwisdom.com

Telefon
+1 484 460 8182

Adres