Makine ogrenmesini merak ediyor musunuz veya isinizde yogun olarak veri kullaniyor veya gelecekte makinelerin nasil calisacagini merak ediyor musunuz?

Description

Bu kurs, Doç. Dr. Şadi Evren ŞEKER tarafından hazırlanmaktadır. Şadi Evren Şeker, lisans, yüksek lisans ve doktorasını bilgisayar mühendisliğinde tamamlamış, yüksek lisans ve doktora sırasında yapay zeka üzerine çalışmış ve sonrasında doktora sonrası araştırmacı olarak veri bilimi üzerine dünyanın çeşitli ülkelerinde çalışmalarına devam etmiş, makine öğrenmesi, büyük veri, veri bilimi ve yapay zeka konularında çok sayıda akademik makale ve kitaplar yayınlamış, literatüre kazandırdığı patent ve algoritmalar yanında 20 yıla yakın sektörde çok farklı kurumlara eğitim, danışmalık ve yazılım hizmetleri vermenin yanında halen aktif olarak akademisyenliğe ve sektörde veri bilimi, yapay zeka ve büyük veri uygulamalarına devam etmektedir. Aktif olarak çalıştığı şirketler arasında, Türkiye ve dünyada lider olan, bankacılık, telekom, sigortacılık, ulaştırma, inşaat, turizm ve finans firmaları bulunmaktadır. 

Bu kursta amaçlanan, hiç bilmeyen ve yeni başlayan birisini makine öğrenmesi konusunda uzman seviyesine çıkarmaktır. Adım adım, makine öğrenmesi dünyasına giriş yapılacak ve her bölümde farklı yetenekler kazandırılarak makine öğrenmesi ve bir alt çalışma alanı olarak görülebilecek veri bilimi konularındaki gerçek uygulamalar hakkında fikir verilecektir. Ayrıca güncel ve gözde konular olan derin öğrenme veya arttırımlı öğrenme gibi konulara da giriş yapılacak ve bu kavramların kullanımları ve uygulamaları örnekler üzerinden gösterilecektir. 

Kurs boyunca konular eğlenceli ve heyecanlı bir şekilde anlatılmaya çalışılacak ve genel bir yapı olarak aşağıdaki sıra izlenecektir. 

• Part 1 - Veri Önişleme (Data Preprocessing)

• Part 2 - Tahmin ve Regresyon: Simple Linear Regression, Multiple Linear Regression, Polynomial Regression, SVR, Decision Tree Regression, Random Forest Regression

• Part 3 - Sınıflandırma (Classification): Logistic Regression, K-NN, SVM, Kernel SVM, Naive Bayes, Decision Tree Classification, Random Forest Classification

• Part 4 - Bölütleme (Kümeleme, Clustering): K-Means, Hierarchical Clustering

• Part 5 - Birliktelik Kural Çıkarımı (Association Rule Learning): Apriori, Eclat

• Part 6 - Arttırımlı Öğrenme (Reinforcement Learning): Upper Confidence Bound, Thompson Sampling

• Part 7 - Doğal Dil İşleme (Natural Language Processing): Bag-of-words model and algorithms for NLP

• Part 8 - Derin Öğrenme (Deep Learning): Artificial Neural Networks, Convolutional Neural Networks

• Part 9 - Boyut Dönüşümü ve indirgemesi (Transformation, Dimensionality Reduction): PCA, LDA, Kernel PCA

• Part 10 - Model Seçimi ve Kollektif Öğrenme: Model Selection & Boosting: k-fold Cross Validation, Parameter Tuning, Grid Search, XGBoost

Kurs kapsamında, gerçek hayat örnekleri kullanılacak ve kendi makine öğrenme modelinizi oluşturmanın yolu da gösterilecektir. 

Kursun en önemli özelliklerinden birisi, kurs kapsamında, Python dilinde kod şablonları verilecek olup bu kod şablonlarını, kendi problemlerinizde kullanabilecek olmanızdır.

Bu kurs kimler için uygun:

• Veri ile işi olan herkes.
• Geleceğin mesleklerinde çalışmak isteyen herkes.
• Yapay zeka ve makine öğrenmesi konularına merakı olan herkes.

Course content

• Hoş Geldiniz!
  • Makine Öğrenmesinin Uygulamaları
  • Makine Öğrenmesi ve Geleceğin Dünyası
  • Python ve Anaconda'nın kurulması
  • Dersler ile ilgili önemli notlar
• Veri Analizi Proje Yönetimi ve Problem Tipleri
  • Veri Kaynağı ve Dersin Web Sitesi
  • Kütüphanelerin Yüklenmesi
  • Verinin Python'dan Yüklenmesi ve içeri alınması (data import)
  • Python ve Nesne Yönelimli Programlama
  • Eksik Veriler (Missing Values)
  • Kategorik Veriler
  • Verilerin Birleştirilmesi ve DataFrame Oluşturulması
  • Veri Kümesinin Eğitim ve Test olarak bölünmesi
  • Öznitelik Ölçekleme
  • Veri Ön işleme Şablonu
  • Veri Ön İşleme Quizi
• Tahmin (Prediction) #1: Basit Doğrusal Regresyon (Simple Linear Regression)
  • Tahmin (Prediction) Problemlerine Giriş
  • Veri Kümesinin İndirilmesi
  • Veri Kümesi ve Kodlar ile ilgili
  • Basit Doğrusal Regresyon (Simple Linear Regression)
  • Veri Yükleme ve Ön İşleme Şablonunun Kullanılması ve Regresyona Hazırlık
  • Phyton ile Basit Doğrusal Regresyon Model İnşası
  • Python ile Basit Doğrusal Regresyon Uygulaması
  • Basit Doğrusal Regresyon Görselleştirilmesi
  • Quiz 2: Basit Doğrusal Regresyon
• Tahmin (Prediction) #2: Çoklu Doğrusal Regresyon (Multiple Linear Regression)
  • Veri Kümesi ve Problemin Tanınması
  • Çoklu Doğrusal Regresyon (Multiple Linear Regression) Kavramına Giriş
  • Kukla Değişken ve Tuzağı (Dummy Variable Trap)
  • Araştırma Ödevi: P-Value
  • P-Value (Olasılık Değeri)
  • Çok Değişkenli Modellerde, Değişken Seçimi
  • Çoklu Değişken için Veri Hazırlama (Python Kodu)
  • Çoklu Değişken Linear Model Oluşturma Python Kodlaması ve Model
  • Python ile Geri Eleme (Backward Elimination)
  • Ödev 1: Veri Kümesi ve Ödevin Açıklaması
  • Ödev 1: Çözüm 1. Parça: Verinin hazırlanması ve Çoklu Doğrusal Regresyon
  • Ödev 1: Çözüm 2. Parça: Geri Eleme (Backward Elimination)
  • Çoklu Doğrusal Regresyon
• Tahmin (Prediction) #3: Polinom Regresyon (Polynomial Regression)
  • Veri Kümesi, Kavramın ve Problemin Tanımı
  • Polinomal Regresyonun Python ile Uygulama kodu
  • Python ile Doğrusal Olmayan Şablon (Polinomial Regression Python Template)
• Tahmin (Prediction) #4: Destek Vektör (Support Vector Regression)
  • SVR Tanımı ve Problem
  • Python ile Support Vector Tahmini Uygulaması
• Tahmin (Prediction) #5: Karar Ağacı (Decision Tree)
  • Karar Ağacı kullanarak tahmin yöntemi
  • Python ile karar ağacı kullanarak tahmin
• Tahmin (Prediction) #6: Rassal Ağaçlar (Random Forest) ile Tahmin
  • Rassal Ağaç (Random Forest) Algoritması ve Tahmin
  • Python ile Rassal Ağaç kullanarak Tahmin
• Tahmin (Prediction) #7: Değerlendirme ve Metotların Karşılaştırılması
  • R2 Hesaplanması
  • Düzeltilmiş R2 Hesaplaması (Adjusted R2)
  • Python ile R2 hesaplama ve Algoritmaların Karşılaştırılması
  • Ödev 2: Ödevin tanımı ve veri kümesi
  • Ödev 2: Çözümü
  • ÖZET : Tahmin Metotlarının Karşılaştırılması
  • ŞABLON: Tahmin Metotları için kullanılabilecek Python Şablonu
• Sınıflandırma #1: Giriş ve Temel Kavramlar
  • Sınıflandırma ve Temel Kavramlar, Problemin Algısı
• Sınıflandırma #2: Lojistik Regresyon (Logistic Regression)
  • Lojistik Regresyon Kavramı ve Algoritmanın Teorisi
  • Python ile Logistic Regression Uygulaması
  • Confusion Matrix (Karmaşıklık Matrisi) ve Sınıflandırma Şablonu
• K-NN (K En Yakın Komşu)
  • K-NN (K Nearest Neighborhood) algoritmasına giriş
  • Python ile KNN Kodlaması
  • KNN
• Support Vector Machine (SVM) ile Sınıflandırma
  • SVM algoritmasının çalışması ve detayları
  • SVM Algoritmasının Python ile kodlanması
• SVM ve Çekirdek Hilesi (Kernel Trick)
  • Kernel Trick (Çekirdek Hilesi)
  • Python ile Çekirdek Hilesi Kodlama
• Naif Bayes (Naive Bayes)
  • Naif Bayes (Naive Bayes)
  • Python Kodu : Naive Bayes ve GaussianNB, MultinominalNB, BernolliNB
• Karar Ağacı ile Sınıflandırma (Decision Tree)
  • Karar ağacı ile sınıflandırmaya giriş
  • Python ile karar ağacı sınıflandırma kodu
• Rassal Orman (Random Forest)
  • Rassal Orman ile Sınıflandırma
  • Python Kodu: Rassal orman ile sınıflandırma
• Sınıflandırma Bölüm Sonu
  • Confusion Matris
  • Flase Positive ve False Negative Kavramları
  • Netlik/doğruluk (accuracy) paradoksu
  • ROC Eğrisi
  • AUC Değeri
• Sınıflandırma Algoritmalarının Değerlendirilmesi
  • Sınıflandırma Şablonu
  • Ödev 3: Iris veri kümesi ve sınıflandırma algoritmaları
  • Ödev 3 : Çözümü
  • Sınıflandırma Algoritmaları Karşılaştırma ve Özet
• Bölütleme / Kümeleme (Clustering)
  • Bölüm 5, Kümeleme/Bölütleme Konularına Hoş Geldiniz
  • Gözetimsiz Öğrenmeye Giriş (Unsupervised Learning)
• K-Means (K-Ortalama) Algoritması
  • Algoritmaya ve Kavramlara Giriş
  • Rassal Başlangıç Tuzağı
  • Küme / Bölüt sayısına karar vermek
  • Python ile K-Means Kodlaması
  • K-Means Kümeleme / Bölütleme
• Hiyerarşik Bölütleme (Clustering)
  • Kavrama ve Algoritmaya Giriş
  • Hiyerarşik Bölütleme ve Dendogram Kavramı
  • Hiyerarşik Bölütleme / Kümeleme ve Dendogramların kullanılması
  • Hiyerarşik Bölütleme
  • Bölüm Sonu ve Karşılaştırma
• Birliktelik Kural Çıkarımı (Association Rule Mining)
  • Kavramlara Giriş
• APriori Algoritması
  • Birliktelik Kural Çıkarımı Problemlerine Giriş
  • Python ile Apriori Algoritmasının Kodlanması
• Eclat Algoritması
  • Eclat Algoritmasının Çalışması
• Pekiştirmeli / Takviyeli Öğrenme (Reinforced Learning)
  • Reinforced Learning Kavramına Giriş
  • A/B Testi, Tek Kollu Canavar ve Reinforced Learning kullanım alanları
• UCB (Üst Güven Aralığı) Yaklaşımı ve Kodlaması
  • UCB (Upper Confidence Bound, Üst Güven Sınırı)
  • Python ile Rasgele Yaklaşımın Kodlanması
  • Python ile UCB kodlama
• Thompson Örneklemesi (Thompson Sampling) Yaklaşımı ve Kodlaması
  • Thompson Yaklaşımı ve Çalışması
  • Python Kodlaması : Thompson Sampling
• Bölüm 8: Doğal Dil İşleme
  • Kavramlara ve DDİ Dünyasına giriş
  • Doğal Dil İşleme Kaynakları
  • Kodlama Öncesi Genel DDİ Problemleri ve Yaklaşımları
  • Veri Kümesi ve Bazı Kaynaklar
  • Python ilk Problemler : Sparce Matrix ve imla işaretleri
  • Python, 2. Problem: Büyük / Küçük Harfler
  • Python 3. Problem: Stop Words
  • Python 4. Kelime Gövdeleri (Stemmer)
  • Python 5. Kelime Vektörü Sayaç kullanımı (CountVectorizer)
  • Python 6. Makine öğrenmesi ve Sınıflandırma Kısmı
• Bölüm 9: Derin Öğrenme
  • Yapay Sinir Ağlarına ve Nöron Yapısına Giriş
  • 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)
  • Stokastik (Stochastic) , Yığın (Batch) ve Mini Yığın Gradyan Alçalışlar
  • YSA Öğrenme Algoritması ve İleri/Geri Yayılım (Backpropagation/Forwardpropagatio
  • Derin Öğrenme Kütüphaneleri
  • Kütüphanelerin kurulum komutları
  • Derin Öğrenme Kütüphanelerinin Kurulması
  • Problemin Tanımı ve Veri Kümesi
  • YSA Kodlamasına Giriş ve Keras ile Tanışma
  • Keras'a gizli katman eklemek ve bir Keras Bug'ı
  • Yapay Sinir Ağını Derlemek, Eğitmek çalıştırmak ve başarısı
• Boyut İndirgeme (Dimension Reduction)
  • PCA (Principal Component Analysis) Birncil Bileşen Analizi
  • PCA, Python ile kodlanması
  • LDA: Linear Discriminant Analysis
  • LDA: Python ile kodlaması
• Bölüm 11: Model Seçimi
  • Model Semi: Giriş
  • Model Değerlendirmesi : k-fold Cross Validation
  • Model Seçimi : GridSearchCV
• Bonus: XGBoost
  • XGBoost : Giriş, Özellikleri ve Kaynaklar
  • XGBoost: Kurulum ve Python Kodlaması
• Bonus: Soru Cevap
  • KNN'deki K değeri neye göre alınır?
  • Modelinin Kaydedilmesi ve Tekrar kullanılması (Pickle Kütüphanesi)
  • Verilerin Ölçeklenmesi (Standart/Normalleştirilmesi)
• Bonus 3: CNN (Convolutional Neural Networks)
  • CNN (Convolutional Neural Networks) Giriş
  • Uçtan Uca CNN Çalışması
  • CNN Görsel Uygulama ve Düzleştirme (Flattening)
  • CNN : Python ile Kodlama

Python.ile.Makine.Ogrenmesi.part1.rar

Python.ile.Makine.Ogrenmesi.part2.rar

Python.ile.Makine.Ogrenmesi.part3.rar