UYGULAMALI VERİ BİLİMİ VE MAKİNE ÖĞRENMESİ

KAZANIMLAR	GEREKSİNİMLER	HEDEF KİTLE
R veya Python Veri analitiği yöntemleri Makine öğrenmesi Veri modelleme Denetimli öğrenme Denetimsiz öğrenme Boyut indirgeme: PCA, LDA Tahmin modelleri: Lineer ve lineer olmayan modeller, ağaç tabanlı modeller Sınıflandırma modelleri: Lojistik regresyon, KNN, Naive Bayes, karar ağaçları Model seçimi Uçtan uca veri bilimi uygulama projesi geliştirme	Temel seviye de matematik ve bilgisayar okuryazarlığı, algoritma geliştirme ve analitik düşünme beceri ve aşinalığı yeterlidir. Katılımcıların programlama tecrübelerine göre programlamaya giriş modülünün kapsamı ve süresi belirlenir.	Veri bilimi ve makine öğrenmesi gücünü kullanarak işlerine seviye atlatmak isteyen işletmeler. Veri bilimi ekibi ve/veya departmanı kurmak isteyen, ya da ekiplerinin yetkinliklerini artırmak isteyen işletmeler. Veri bilimi ve makine öğrenmesi alanında uygulama ve projeler geliştirerek kariyer başlatmak isteyen profesyoneller.

EĞİTİM İÇERİĞİ:

R veya Python izlençlerinden biri seçilip temel kodlama yetkinlikleri kazanılır.

İlgili verilerin çekilmesi, analize uygun hale getirilmesi, istatistiksel çıkarımların yapılması.

Veri ön işleme, basit lineer regresyon, çoklu lineer regresyon, polinom regresyon, destek vektör makineleri, ağaç tabanlı algoritmalar, model performans değerlendirmesi.

Veri ön işleme, lojistik regresyon, KNN algoritmaları, destek vektör makineleri, Naive Bayes, ağaç tabanlı algoritmalar, model performans değerlendirmesi.

Kümeleme ve hiyerarşik kümeleme algoritmaları.

Temel bileşen analizi (PCA) ve doğrusal ayrımcılık analizi (LDA).

İlgili probleme veya ilgi alanına göre uçtan uca ileri iş analitiği projesi yapılması.

UYGULAMALI VERİ BİLİMİ VE MAKİNE ÖĞRENMESİ

KAZANIMLAR

GEREKSİNİMLER

HEDEF KİTLE

EĞİTİM İÇERİĞİ: