->
Udemy - Her Seviyeye Uygun Uçtan Uca Veri Bilimi, Knime ile
Udemy - Her Seviyeye Uygun Uçtan Uca Veri Bilimi, Knime ile


Description

En çok aranan niteliklerden olan veri bilimi, yapay zeka, büyük veri ve veri analizi konularına giriş eğitimi

Course content

  • Giriş ve Kurulum
    • Giriş
    • Knime İndirilmesi ve Kurulumu
    • Knime Kurlumu ve İlk Ekranlar (OSX için)
  • Knime Ortamını Tanıma ve Basit Uygulamalar
    • Knime ile Veri Bilimine Giriş
    • İlk Veri Bilimi Projesi
    • Çalışmaları Kaydetme, Taşıma, Yükleme, Eklenti Kurma, Örnek Uygulamalara erişim
    • Ders Ortamındaki Hazır Projelerin Kullanılması
  • Veri Bilimi Yöntemleri
    • Veri Bilimi Yöntemlerine Giriş ve SEMMA
    • CRISP-DM
    • KDD
    • Kavramlara Giriş, Veri Bilimi, Veri Madenciliği, Makine Öğrenmesi, Büyük Veri vs
  • Problemi Tanımak
    • Descriptive, Predictive ve Prescriptive Analitik Farkları
    • Problemleri Sınıflandırabilmek
  • Veriyi Tanımak
    • Dosya Dönüşümleri (Weka, ARFF; CSV; Excel tip dönüşümleri)
    • Veri Tipleri ve Veri Renklendirme
    • Scatter Matrix
    • Görselleştirmeler: Histogram, Pie Chart, Line Chart
    • Veri Görselleştirme
  • Veriyi İşlemek (ETL , Preprocessing Süreçleri)
    • Satır Filitreleme (Row Filtering)
    • İleri Satır Filitreleme ve (Rule Based Row Filtering)
    • Kolon Filitreleme (Column Filtering)
    • Gruplama (Group By), Toparlama (Aggregate), Grup Açma (Ungroup) ve Kolon Bölme
    • Birleştirme (Join) ve Üleştirme (Concatenation)
    • Eksik Veriler (ilk deneme)
    • Tarih ve Zaman İşlemleri
    • Örnek: Group ve Join uygulaması
  • İleri KNIME Kullanımı
    • MetaNode Yapısı
    • KNIME Değişkenleri ve Değişken Akışı (Flow Variables)
    • Döngüler (Loop) ve Model Parametrelerinin test edilmesi ve iyileştirilmesi
  • Model Oluşturmak (Makine Öğrenmesi, Veri Madenciliği ve İstatistiksel Modeller)
    • Makine Öğrenmesine Giriş: Test ve Eğitim Kümeleri, Ezberleme (Overfitting)
    • Naive Bayes ve Bayes Teoreminin Veri Biliminde Kullanımı
    • Numerik verilerin Kutulanması (binning) ve Naive Bayes Uygulaması (knime ile)
    • Karar Ağacı (Decision Tree) Öğrenmesi
    • PMML Dosya Kullanımı ve Knime ile Decision Tree (karar ağacı) Uygulaması
    • Apriori Algoritması ve Birliktelik Kural Çıkarımı (Association Rule Mining)
    • FP-Growth Algoritması ve Birlikltelik Kural Çıkarımı
    • Knime Üzerinden ARM uygulaması
    • Güncelleme 3.5.2 versiyonundaki itemset düğümü
    • Knime Üzerinde Apriori veya FPGrowth Algoritmaları
    • Bölütleme (Kümeleme, Clustering) ve K-Means Algoritması
    • Tahmin (Prediction) ve Doğrusal Regresyon (linear Regression)
    • Knime ile Tahmin (Prediction) ve Doğrusal Regresyon (linear Regression) Örneği
    • Tahmin Örneği: Borsa Verisi
  • Başarı Değerlendirme (Evaluation)
    • k-Katlamalı Çapraz Doğrulama (k-fold Cross Validation)
    • k-Katlamalı Çapraz Doğrulama (k-fold Cross Validation) uygulaması
    • Confusion Matrix, Precision, Recall, Sensitivity, Specificity
    • Bölütleme ( kümeleme, clusetering) değerlendirilmesi: saflık (purity), randindex
    • Tahmin(Prediction) değerlendirmesi, rmse, rmae, mse, mae
    • Knime ile Tahmin (Prediction) Değerlendirilmesi (Evaluation)
    • Birliktelik Kural Çıkarımı Değerlendirmesi (ARM Evaluation)
    • Knime ile Birlikltelik Kural Çıkarımı Değerlendirmesi (ARM Evaluation)
  • Knime ile Diğer Dillerin Bağlanması
    • Java Snippet
    • R Snippet
    • Python Snippet
  • Üst Öğrenme Algoritmaları (Meta Learner)
    • Ensemble Yöntemleri ve Bagging, Boosting ve Fusion Kavramlarına Giriş
    • Örnek üzerinden MAVL ve Prediction Fusion Uygulaması
    • Random Forest (Rassal Orman) Yöntemi ile Sınıflandırma ve Tahmin
  • Uçtan Uca Gerçek Hayat Örnekleri
    • İş İlanları, Web Siteleri, Kaynaklar, Yarışmalar ve Örnek veri Kümesi
    • Müşterinin Borcunu ödeyip ödemeyeceğinin tahmini
    • Müşteri Ödeme Vade Tahmini
    • Müşteri Kredi Limiti Hesaplama
    • Müşteri Segmentasyon (Customer Segmentation)
  • Derin Öğrenme (Deep Learning)
    • DL4J ile Knime üzerinde Derin Öğrenme Uygulaması
  • Bonus
    • Farklı Veri Kümelerini Eğitim ve Test için kullanmak

Her Seviyeye Uygun Uçtan Uca Veri Bilimi, Knime ile


 TO MAC USERS: If RAR password doesn't work, use this archive program: 

RAR Expander 0.8.5 Beta 4  and extract password protected files without error.


 TO WIN USERS: If RAR password doesn't work, use this archive program: 

Latest Winrar  and extract password protected files without error.


 Coktum   |  

Information
Members of Guests cannot leave comments.




rss